立井提升系統剛性罐道故障診斷方法

中圖分類號：TD53/67 文獻標志碼：A

Fault diagnosis method for rigid guides in vertical shaft hoisting systems

WANGJianfeng1，JINYuanzhi2，ZHANGYong2，WANGYongzhen3，HE Jiacong3 （1.Shandong Province Sanhekou Mining Co.，Ltd.，Zaozhuang 277605，China；2.Zaozhuang Mining Group Gaozhuang CoalMiningCo.，Ltd.，Zaozhuang2776o5，China；3.SchoolofMechanicalandElectrical Engineering， ChinaUniversity ofMiningand Technology，Xuzhou ， China）

Abstract：Rigid guide is a keycomponent of vertical shaft hoisting systems.Due to shaft deformation and steel corrosion，faultsare likely tooccur，affectingthenormal operationof thecage.Atpresent，vibration detectionmethodsaremostlyused forrigid guidefaultdiagnosis，butthediagnosticaccuracyiseasilyaffected by operating conditions such ascage load and rumning speed.Toaddressthis problem，eddy current sensors are used to collct fault signals of the rigid guides，ensuring thatthe signalfeatures arenot affected bythecage's operating environment.To improve the accuracy of rigid guide fault identification，Residual Attntion One-Dimensional Convolutional Neural Network （RAlDCNN） was proposed.The network extracted multi-scale features through paralel multi-scale convolutions，enhancing itsability to perceive signal features at diferent scales.Channel attention and spatial attention modules were introduced and combined with the residual learning mechanism to design aresidual atention module，which simultaneously captured channel and spatial feature information， extracting more discriminativefeatures.Anexperimental platformforrigid guide faultswas established to simulate diferent types and severities of rigid guide faults. Ablation experiments and comparative experiments were conducted on RA1DCNN. The results showed that the RA1DCNN achieved 100% accuracy in identifying rigid guide fault categories， an average accuracy of 99.7% in identifying the severity of clearance faults， and an average accuracy of 97.68% in identifying the severity of misalignment faults， verifying the effectiveness of the multi-scale convolution layers and residual attention module.The overall fault identification accuracy reached 98.05% ， outperforming comparative models including one-dimensional convolutional neural networks.

Key words： vertical shaft hoisting system; rigid guides; guide fault diagnosis; eddy current detection; onedimensional convolutional neural network; multi-scale convolution; residual learning; atention module

0 引言

立井是地下礦井的重要組成部分，主要用于運輸人員、設備和材料。剛性罐道是立并提升系統的關鍵部件，在提升過程中起導向、穩定運行的作用[1]由于井筒形變、鋼材銹蝕等原因，罐道容易發生故障，影響罐籠正常運行，甚至導致事故發生。根據對罐籠沖擊程度的不同，罐道故障可分為溫和故障和沖擊故障，其中溫和故障（如傾斜）對罐籠運行的沖擊較小，沖擊故障（如錯位、間隙過大）對罐籠運行的沖擊很大[2]。對罐道狀態進行實時檢測，進而實現故障類別與嚴重程度診斷，對保障立井提升系統安全穩定運行具有重要意義。

早期的罐道故障診斷主要通過測定罐道之間的距離和垂直度來實現，費時費力，且精度不高。近年來，一些學者通過分析罐籠振動信號實現罐道故障識別。MaChi等3采集罐籠試驗臺的振動信號和傾斜信號，利用數據挖掘方法進行罐道故障診斷，可有效識別常見故障，但采集的特征參數易受環境影響，實際效果不理想。WuBo等4利用不同故障模式和操作條件下的振動信號，對罐道凸起、錯位、間隙故障進行分類，提高了原始數據利用率，但未對罐道故障進行定量分析。馬天兵等[5]基于小波包及BP神經網絡提取罐籠的加速度信號，實現了罐道凸起及接頭故障診斷。杜菲等[提出了一種基于小波變換和改進卷積神經網絡（ConvolutionalNeuralNetwork，CNN）的剛性罐道故障診斷方法。振動檢測法屬于間接測量方法，診斷精度易受罐籠載荷、運行速度等工況的影響。渦流傳感器基于電磁感應原理檢測金屬樣本缺陷，可獲取直接表征樣本缺陷的一維（OneDimensional，1D）信號，具有精度高、無接觸、抗干擾能力強等優點，非常適用于惡劣環境下的罐道故障檢測與識別[7]。因此，本文采用渦流傳感器采集罐道故障信號。

罐道故障的渦流信號為1D時間序列數據。傳統機器學習方法基于1D信號進行故障診斷的步驟一般包括故障特征提取和故障模式分類：通過經驗模態分解[8]、主成分分析[9]、小波變換[10]、選擇頻帶[11]等方法從采集信號中提取特征，再將提取的特征輸入故障分類算法，如貝葉斯分類器[12]、支持向量機[13] k 星算法[14]等進行分類。但傳統機器學習方法存在以下缺點： ① 特征提取大多基于人工選擇，嚴重依賴相關領域的專業知識。 ② 分類模型大多屬于淺層模式，在分類精度和效率方面存在不足。③ 原始信號存在噪聲，需對數據預處理，比較耗時。

深度學習融合特征提取和特征分類方法，能夠建立一種端到端的故障診斷模型，有效解決了傳統機器學習存在的問題[15]。其中CNN具有能提取深層特征信息、共享權重、局部感知等優點，在故障檢測領域應用廣泛[16]。根據網絡輸入的不同，利用CNN進行故障檢測的方法可分為2類： ① 直接對采集的1D原始信號進行故障檢測，即1DCNN。 ② 將1D信號轉換成二維（TwoDimensional，2D）圖像，再利用傳統的2DCNN進行故障檢測。WangHuan等[17]將1個聯合特征編碼網絡和2個基于注意力的編碼器網絡整合到1DCNN架構中，實現了端到端的軸承故障診斷。王琦等[18]提出了一種基于1DCNN遷移學習的滾動軸承故障診斷方法，可直接處理軸承振動信號，利用最大均值差異計算數據特征分布距離，實現了端到端的變工況滾動軸承故障分類。劉濤等[19]提出一種基于多尺度注意力機制與CNN的故障診斷方法，將振動信號轉換為灰度圖，利用多種卷積模塊組合而成的2DCNN提取深層次故障特征，可有效對渦旋壓縮機故障進行分類。謝云等[20]對振動信號進行短時傅里葉變換，得到2D時頻圖，將時頻圖輸入2DCNN進行特征提取，實現了齒輪箱故障診斷。

與2DCNN相比，1DCNN優勢體現在： ① 1DCNN可直接對原始數據進行高效訓練，無需進行數據預處理。 ② 1DCNN訓練所需數據集較少，不易出現過擬合現象。 ③ 1DCNN結構更加簡單、緊湊，可有效降低運算成本[21]。但1DCNN用于罐道故障診斷存在無法自動學習故障特征、部分特征丟失等問題，主要原因： ① 渦流信號通常具有多尺度特征，在不同時間尺度上包含不同的特征，傳統1DCNN不具有多尺度特征提取能力[22]。 ② 為了更加有效地提取罐道故障特征，通常增加網絡深度，但易引起梯度消失或梯度爆炸，同時更多的參數導致訓練更加困難[23]。③ 1DCNN通過提取局部感受野信息進行特征提取，其全局感知能力差，特征提取的魯棒性不強，無法學習更有判別性的故障特征[24]。針對上述問題，本文提出一種基于殘差學習和注意力機制的1DCNN（Residual Attention One-dimensional ConvolutionalNeuralNetwork，RA1DCNN），通過實驗驗證了該網絡可有效識別不同類型和嚴重程度的罐道故障，且識別精度較高。

1 1DCNN

1DCNN主要包括卷積層、池化層、歸一化層、激活層和全連接（FullyConnecteion，FC）層。基于經典1DCNN[25]，構建了基線網絡，如圖1所示。該網絡由1個輸入層、6個卷積池化層和1個輸出層組成，其中卷積層由卷積函數、歸一化函數和ReLU函數組成，池化層由最大池化函數組成。輸入層采用大尺寸卷積核，對輸入數據進行降維操作，以降低運算量。6個卷積池化層用于提取特征。輸出層由全局平均池化（Global Average Pooling，GAP）函數、FC層和分類函數（Softmax函數）組成。

2 RA1DCNN

基于1DCNN設計RAIDCNN：利用多尺度卷積層（Multi-scaleConvolutionalLayers，MCL）對原始1D渦流信號進行降維，以降低網絡運算成本，增強數據淺層特征的表達能力；引入殘差學習機制，降低網絡模型訓練量，提高故障診斷精度；構建殘差注意力模塊（ResidualAttentionModule，RAM），在學習特征圖全局信息基礎上，有效學習故障特征。

2.1 MCL構建

受罐籠運行速度、載荷、振動等因素的影響，電渦流傳感器采集的罐道故障信號通常具有高維性和非線性特征，需快速降維以減少計算成本。直接利用大尺寸卷積核進行降維易丟失局部特征。對此，設計了MCL，其結構如圖2所示。該層采用多個并行的小尺寸卷積核代替大尺寸卷積核進行卷積運算，不僅增強了數據淺層特征的表達能力，而且降低了網絡計算成本。具體地，第1個分支采用 1×7 尺寸的卷積核，以獲取輸入信號的較大感受野，學習更長時間信號片段，從而增強網絡對低頻特征的提取能力；第2個分支將3個不同尺寸的卷積核串行連接，增加網絡深度，進一步增強網絡的特征提取能力，并有效降低網絡計算成本；第3個分支采用1×3 小尺寸卷積核提取信號的細節特征，隨后與1×1 小尺寸卷積核串行連接，進一步降低網絡運算量，最后通過最大池化操作降低網絡過擬合風險，并提高網絡泛化能力。

2.2殘差學習

為了提高故障診斷精度，需增加網絡的深度和寬度，以獲取更豐富的故障信號特征。但網絡計算規模會隨網絡深度的增加而顯著增大，且可能伴隨梯度消失和梯度爆炸問題。對此，HeKaiming等[26]提出了殘差學習思想，通過引人殘差連接來學習殘差映射。殘差學習機制如圖3所示，其定義為

y=F（x，w_i）+x

式中： _x，y 分別為殘差學習的輸入和輸出; F（?） 為殘差函數； w_i 為殘差學習的第 i 個權重。

殘差學習機制不增加網絡參數，因此網絡復雜度不變。

2.3 RAM構建

基于殘差學習機制、通道注意力模塊（Channel

AttentionModule，CAM）和空間注意力模塊（SpatialAttentionModule，SAM），設計了RAM。

2.3.1 CAM

在罐道故障特征識別過程中，同一特征圖的不同通道在特征描述中的重要程度存在差異。因此，采用CAM學習同一特征圖中不同通道的權重，以增強通道在網絡特征表達中的信息敏感性。經典的CAM通過將通道權重與輸入特征1相乘來重構不同通道特征的重要性[27]。然而，網絡中重復使用CAM會導致網絡特征值逐漸降低，最終影響網絡性能。為避免在正向傳播過程中丟失重要特征，在CAM中引入殘差學習機制，如圖4所示，在保留原始信息完整性的同時，提高網絡的收斂性能。

圖4中， I 為輸入特征， 為輸出特征， C 為特征圖通道數， W 為1D數據長度，Conv表示卷積操作，δ（?） 為ReLU激活函數， σ（?） 為Sigmoid激活函數。

2.3.2 SAM

由于不同位置的輸入信號反映了故障特征的不同特性，所以常規卷積平均考慮每個位置在故障特征圖中的作用并不合理。為避免常規卷積正向傳播過程中丟失重要信號特征，采用SAM并引入殘差學習機制，使網絡更加關注引起故障的信號段，如圖5所示。

SAM輸出特征為

2.3.3 RAM

將CAM與SAM結合，設計RAM，以獲取更強的信號特征。通常將二者串行連接，但重復該操作可能會過度強調某些特征，導致部分細節信息丟失。

本文采用并行連接方式，所得RAM結構如圖6所示。

RAM輸出特征為

式中：cat為特征融合操作；CAM為通道注意力操作；SAM（-）為空間注意力操作。

2.4 RAIDCNN構成

設計的RAIDCNN模型由1個 ΔMCL 、6個RAM、6個池化層、6個卷積層、1個GAP層、1個FC層和1個分類層組成。模型參數見表1。

3罐道故障診斷流程

基于RAIDCNN模型的罐道故障診斷流程如圖7所示。通過罐道故障實驗臺采集罐道故障的渦流信號并進行數據增強，以滿足訓練要求，同時將增強數據劃分為訓練集和測試集。將訓練集數據輸入RA1DCNN模型進行訓練。將測試集數據輸人訓練好的模型，預測罐道故障類別及嚴重程度。

4實驗驗證

4.1實驗數據集

搭建罐道故障實驗臺，用于驗證RA1DCNN的有效性。實驗臺主要包括變頻器、控制箱、驅動電動機、罐籠、剛性罐道、渦流傳感器、信號采集卡、工控機等，如圖8所示。變頻器用于設置電動機速度，使罐籠按照既定速度運行。剛性罐道由多段組成，可設置不同程度的錯位和間隙故障。渦流位移傳感器量程為 2～8mm ，精度為 0.1% ，輸出信號范圍為 4～20mA 。該傳感器水平安裝于罐籠內部，探頭對準罐道中心位置，通過調整卡座螺母來設定傳感器與剛性罐道之間的初始提離距離，確保其處于靈敏區間，以實現間隙實時監測。信號采集卡最大采集頻率為 10kHz， 將采集的1D渦流信號傳輸至工控機。

實驗中設置剛性罐道正常、錯位故障和間隙故障3種模式，通過改變罐籠運行速度和渦流傳感器的提離距離模擬多種工況，通過設置不同的錯位高度和間隙長度模擬不同嚴重程度的罐道故障。為構建包含典型缺陷特征的實驗數據集，采集多種工況及不同缺陷條件下的渦流信號。GB50946—2013《煤礦設備安裝工程質量驗收規范》要求剛性罐道的安裝間隙應控制在 2～4mm 范圍內，罐道錯位誤差不得超過 1mm 。基于此，設置12種剛性罐道故障狀態，標記為C1—C12，具體描述見表2。

實驗中設置罐籠運行速度分別為 0.1，0.2，0.3m/s 渦流傳感器的提離距離分別為 3，4，5mm ，共9種工況。在同一工況下，每種故障采集8個樣本，每個樣本包含21760個樣本點。每種故障采集72個樣本數據，12種故障共采集864個樣本數據。以罐籠速度為 0.2m/s， 提離距離為 4mm 為例，12種剛性罐道故障的原始渦流信號如圖9所示。

4.2 實驗設置

為提高故障識別的準確性，采用數據增強技術擴充數據樣本。首先對原始數據進行降采樣，采樣率為8，降采樣后樣本長度為2720。然后進行窗口裁剪，裁剪位移設置為96，裁剪后樣本長度為2048。最后對樣本數據進行翻轉操作。經數據增強后，每種故障有1008個樣本數據，共計12096個樣本，足以滿足訓練需求。

RA1DCNN訓練和測試環境為Windows10操作系統、Intel Corei7-11700 CPU和RTX3070 TiGPU。訓練集和測試集按照8：2的比例隨機分配。網絡采用交叉熵損失函數、隨機梯度下降優化器，設置學習率為0.001，批量大小為100。

4.3實驗結果與分析

4.3.1模型訓練

RA1DCNN訓練過程中的準確率和損失函數值如圖10所示。可看出模型在第1輪迭代中的準確率達到 60.21% ，驗證了RA1DCNN診斷的有效性，隨著迭代次數增加，準確率逐步提升，訓練60次后穩定在 95% 以上，最高達 98.68% ；模型的損失函數值在前10次迭代過程中迅速下降，隨著訓練次數增加，損失函數值總體呈下降趨勢，雖偶有波動，但能夠迅速調整，驗證了模型具有較強的魯棒性。

100 w w 0.128 A 80WWmW跌0.04損50 0.0240 1 L0 20 4060 80 100 0 20 4060 80 100迭代次數 迭代次數（a）識別準確率 （b）損失函數值

基于RA1DCNN的罐道故障類別及故障嚴重程度診斷結果混淆矩陣如圖11所示。該模型對罐道正常、錯位故障和間隙故障的識別準確率均為100% ，表明該模型能有效識別出不同的故障類型；對于C2—C6這5種罐道間隙故障的識別準確率分別為 100% ， 100% ， 100% ， 99.0% ， 99.5% ，平均為 99.7% 表明該模型能夠有效識別罐道間隙故障的嚴重程度；對于C7—C12這6種罐道錯位故障的識別準確率分別為 100% 100% 100% 94.6% 96.0% 95.5% ，平均為 97.68% ，針對C10和C11的召回率較低，說明錯位誤差較大的故障易相互混淆。整體上，RA1DCNN對罐道故障及其嚴重程度具有較高的識別準確率。

4.3.2 消融實驗

為了驗證RA1DNCN各模塊的有效性，以1DCNN為基線網絡（將RA1DCNN的MCL和RAM替換為普通卷積層）進行消融實驗。為了減少實驗的隨機性，采用五折交叉驗證進行測試。消融實驗結果見表3，其中“”表示模型含有對應模塊，“x”表示模型不包含該模塊。

模型1表示不使用任何模塊的1DCNN，即基線網絡，其準確率僅為 87.09% ，訓練時間為 2.59h ○

模型2表示基線網絡嵌入MCL，其平均準確率比基線網絡提高 4.54% ，表明MCL能夠提取更加豐富的特征，訓練時間為 2.65h ，僅比基線網絡多 0.06h 說明MCL未顯著增加模型的運算量。

模型3表示基線網絡嵌入6個CAM，其訓練時間比基線網絡增加了 0.58h ，平均準確率提高了5.99% 。為了直觀說明CAM的有效性，將模型3中6個通道注意力權重向量組進行可視化，如圖12所示。可看出隨著網絡深度增加，產生的冗余通道特征越來越多，而CAM能夠自動選擇更重要的通道特征，從而學習更具判別性的故障特征。

模型4表示基線網絡嵌入6個SAM，其訓練時間比基線網絡增加了 0.43h ，平均準確率提高了4.48% 。與模型2和模型3相比，模型4的準確率有所下降，說明僅從空間位置角度關注故障信號不能顯著提高故障識別精度。為直觀說明SAM的有效性，對模型4中6個空間注意力權重向量進行可視化，如圖13所示。可看出不同位置的特征學習權重存在差異，SAM能更加關注原始信號中產生突變的特征，使網絡自適應地選擇更重要的特征信息。

模型5表示基線網絡嵌人RAM，其訓練時間較基線網絡增加 1.02h. ，平均準確率提高了 8.09% 較模型2、模型3和模型4分別提高了 3.55% 2.10% 3.61% ，表明將CAM，SAM并行連接能有效提高檢測精度。

模型6表示基線網絡嵌人MCL與RAM，即RA1DCNN。其訓練時間比基線網絡增加 1.17h ，比模型5增加 0.15h. ，平均準確率較基線網絡提高了10.96% ，在所有模型中最優。

為了直觀說明不同模塊的有效性，采用T-SNE算法展示各模型的2D特征分布，如圖14所示。可看出RA1DCNN診斷結果具有更強的判別性。

4.3.3 對比實驗

將RA1DCNN與8種先進深度學習算法進行對 比實驗，包括基線網絡1DCNN、5層反向傳播神 經網絡（Back PropagationNeural Network，BPNN）[28]、 循環神經網絡（Recurrent Neural Network，RNN）[29]、 基于寬第一層核的深度卷積神經網絡（Deep Convolutional Neural Networks with Wide First-layer Kernels，WDCNN）[30]、雙路徑深度學習網絡（DualpathRecurrentNeuralNetworkwithaWideFirst-layer KernelandDeep ConvolutionalNeural Network，RNNWDCNN）[31]、融合分組稀疏濾波的CNN（Grouping SparseFiltering-Convolutional Neural Network，GSFCNN）[32]、基于多感受野的降噪殘差卷積網絡 （MultireceptiveField DenoisingResidual Convolutional NeuralNetwork，MF-DRCNN）[33]及結合貝葉斯算法優 化的CNN-LSTM（Bayesian Optimization-Convolutional NeuralNetwork-Long Short-term Memory，BO-CNNLSTM）神經網絡[34]。為了減少實驗的隨機性，采用 五折交叉驗證，實驗結果見表4。

從表4可看出：1DCNN，BPNN，RNN因網絡結構簡單，識別準確率較低，分別為 87.09% ， 89.88% 91.40% ；WDCNN在第1層使用大尺寸卷積核提取短時特征，準確率為 93.02% ，高于1DCNN，BPNN，RNN，但單純增大卷積核尺寸并不能顯著提升識別效果；RNN-WDCNN將RNN與WDCNN結合，增加了模型的寬度和深度，識別準確率為 93.27% ，較RNN和WDCNN分別提高 1.87% 和 0.25% ;GSF-CNN，MF-DRCNN，BO-CNN-LSTM均為基于CNN的改進模型，識別準確率分別為 91.60% ， 92.79% 和 95.47% 較1DCNN分別提高了 4.51% ， 5.70% 和 8.38% RA1DCNN的識別準確率達 98.05% ，較1DCNN，BPNN，RNN，WDCNN，RNN-WDCNN，GSF-CNN，MF-DRCNN，BO-CNN-LSTM分別提高了 10.96% 8.17% 6.65% 4 5.03% ， 4.78% ， 6.45% 5.26% 2.58% ，效果最優。

5結論

1）采用渦流傳感器采集剛性罐道故障信號，根據渦流信號可直接表征罐道故障特征且不受罐籠運行工況和立井惡劣環境影響的特點，使采集信號更加穩定、可靠，有效提高了故障診斷的準確率。

2）以1DCNN為基線網絡，設計了RAIDCNN：將多個小尺寸卷積核組成的MCL作為網絡模型的第1層，以降低模型運算量，增強網絡對淺層特征的表達能力；基于殘差學習機制、CAM和SAM，構建RAM，可同時獲取通道和空間信息特征，并提取到更具判別性的特征。

3）在罐道故障實驗平臺模擬不同類型及不同嚴重程度的罐道故障，對RA1DCNN進行消融實驗和對比實驗，驗證了RAIDCNN可有效診斷出不同類型和嚴重程度的罐道故障，準確率達 98.05% 。

參考文獻（References）：

[1] ZHAO Jianlong，MA Chi，XIAO Xingming，et al. Research on deformation law of guide rails caused by minevertical shafts under non-mining action[J]. EngineeringFailure Analysis，2022，134.DOI：10.1016/ J.ENGFAILANAL.2022.106089.

[2]YAO Jiannan，MA Yansong，MA Chi， et al. Effect of misalignment failuresofsteelguides on impact responsesinfrictionminehoistingsystems[J]. Engineering Failure Analysis， 2020，118.DOI： 10.1016/ j.engfailanal.2020.104841.

[3]MA Chi， WANG Taibin， XIAO Xingming， et al. Pattern recognition of rigid hoisting guides based on vibration characteristics[J]. Journal of Vibroengineering，2017， 19（1）： 237-245.

[4]WU Bo，LI Wei， JIANG Fan. Fault diagnosis of mine shaft guide rails using vibration signal analysis based on dynamic time warping[J]. Symmetry，2018，10（10）. DOI： 10.3390/sym10100500.

[5]馬天兵，王孝東，杜菲，等.基于小波包和BP神經網 絡的剛性罐道故障診斷[J].工礦自動化，2018，44（8）： 76-80. MA Tianbing， WANG Xiaodong， DU Fei， et al. Fault diagnosis of rigid cage guide based on wavelet packet and BP neuralnetwork[J]． Industry and Mine Automation，2018，44（8）：76-80.

[6]杜菲，馬天兵，胡偉康，等.基于小波變換和改進卷積 神經網絡的剛性罐道故障診斷[J].工礦自動化， 2022，48（9）：42-48，62. DU Fei，MA Tianbing，HU Weikang，et al. Fault diagnosis of rigid guide based on wavelet transform and improved convolutional neural network[J]. Journal of Mine Automation， 2022，48（9）： 42-48， 62.

[7]MENG Tian，TAO Yang，CHEN Ziqi，et al. Depth evaluation for metal surface defects by eddy current testingusingdeep residualconvolutional neural networks [J]. IEEE Transactions on Instrumentation and Measurement，2021，70.DOI：10.1109/TIM.2021. 3117367.

[8]LIU Baoling，HUANG Pingjie，HOU Dibo，et al. Application of Hilbert-Huang transform for defect recognition inpulsededdycurrent testing[J]. Nondestructive Testing and Evaluation，2015，30（3）： 233-251.

[9]DU Bolun，HE Yigang，HE Yunze，et al. Intelligent classification of silicon photovoltaic cell defects based on eddy current thermography and convolution neural network[J]. IEEETransactionson Industrial Informatics，2019，16（10）： 6242-6251.

[10]HO K C，PROKOPIW W，CHAN Y T. Modulation identificationofdigitalsignalsby thewavelet transform[J]． IEE Proceedings-Radar， Sonarand Navigation， 2000，147（4）： 169-176.

[11]XIE Shejuan， ZHANG Lei， ZHAO Ying，et al. Features extraction and discussion in a novel frequency-bandselecting pulsed eddy current testing method for the detection of a certain depth range of defects[J]. NDT amp; EInternational，2020，11.DOI：10.1016/j.ndteint. 2019.102211.

[12]PENG Ying，QIU Xuanbing，WEI Jilin，et al. Defect classification using PEC responesbased on power spectral density analysis combined with EMD and EEMD[J]. NDT amp; E Intermational， 2016， 78： 37-51.

[13]HUANG Pingjie，DING Tianyu， LUO Qing，et al. Defect localisation and quantitative identification in multi-layer conductive structures based on projection pursuit algorithm[J]． Nondestructive Testingand Evaluation，2019，34（1）： 70-86.

[14]RAVIKUMAR K N， MADHUSUDANA C K， KUMAR H，et al. Clasification of gear faults in intermal combustion （IC） engine gearbox using discrete wavelet transform features and K star algorithm[J]. Engineering Science and Technology，an International Journal， 2022， 30.DOI： 10.1016/J.JESTCH.2021.08.005.

[15]KULIN M， KAZAZ T，MOERMAN I， et al. End-to-end learning from spectrum data： a deep learning approach for wireless signal identification in spectrum monitoring applications[J].IEEE Access，2018，6： 18484-18501.

[16]SU Binyi，CHEN Haiyong， ZHOU Zhong. BAFdetector：aneffcientCNN-baseddetectorfor photovoltaic cell defect detection[J]. IEEE Transactions on Industrial Electronics，2021，69（3）：3161-3171.

[17]WANG Huan，LIU Zhiliang，PENG Dandan，et al. Attention-guided joint learning CNN with noise robustness for bearing fault diagnosis and vibration signal denoising[J]．ISA Transactions，2022，128： 470-484.

[18]王琦，鄧林峰，趙榮珍.基于一維CNN遷移學習的滾 動軸承故障診斷[J].振動.測試與診斷，2023，43（1）： 24-30，195. WANG Qi， DENG Linfeng， ZHAO Rongzhen. Fault diagnosis of rolling bearings based on one-dimensional convolutional neural network with transfer learning[J]. Journal of Vibration，Measurement amp;Diagnosis，2023， 43（1）： 24-30，195.

[19]劉濤，麻德權.基于CBAM-CNN的渦旋壓縮機故障 診斷[J].振動.測試與診斷，2024，44（5）：900-906，1036. LIU Tao， MA Dequan. Fault diagnosis of scroll compressor based on improved CBAM-CNN[J]. Jourmal of Vibration，Measurement amp; Diagnosis，2024，44（5）： 900-906，1036.

[20]謝鋒云，汪淦，王玲嵐，等.STFT結合 2D CNNSVM的齒輪箱故障診斷方法[J].噪聲與振動控制， 2024，44（4）： 103-109. XIE Fengyun， WANG Gan， WANG Linglan， et al. Fault diagnosis method of gearbox based on STFT and 2DCNN-SVM[J].Noise and Vibration Control，2024， 44（4）：103-109.

[21]KIMM S，YUNJP，PARKP. An explainable neural network for fault diagnosis with a frequency activation map[J]. IEEE Access， 2021， 9： 98962-98972.

[22]JIANG Guoqian， HE Haibo，YAN Jun， et al. Multiscale convolutional neural networks for fault diagnosis of windturhina ganrhov[1] IEEE Tror Industrial Electronics，2018，66（4）： 3196-3207.

[23]MAO Shangbo，RAJAN D， CHIA L T. Deep residual pooling network for texture recognition[J]．Patterm Recognition，2021，112． DOI： 10.1016/J.PATCOG. 2021.107817.

[24]FANG Chenyu， HE Dakuo， LI Kang，et al. Image-based thickener mud layer height prediction with attention mechanism-based CNN[J]．ISA Transactions，2022， 128： 677-689.

[25]LI Shi，WANG Huaqing， SONG Liuyang，et al. An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network[J]. Measurement， 2020，165. DOI： 10.1016/j.measurement.2020.108122.

[26]HE Kaiming，ZHANG Xiangyu，REN Shaoqing，et al. Deep residual learning for image recognition[C]. IEEE ConferenceonComputerVisionandPaterm Recognition， Las Vegas， 2016： 770-778.

[27]WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[C]． European Conferenceon Computer Vision，Munich，2018：3-19.

[28]SHAO Siyu， MCALEER S， YAN Ruqiang， et al. Highly accurate machine fault diagnosis using deep transfer learning[J]．IEEETransactionson Industrial Informatics，2019，15（4）： 2446-2455.

[29]MANSOURI M，DHIBI K，HAJJI M，et al. Intervalvalued reduced RNN for fault detection and diagnosis for wind energy conversion systems[J]. IEEE Sensors Jourmal， 2022，22（13）：13581-13588.

[30]ZHANG Wei， PENG Gaoliang，LI Chuanhao，et al. A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals［J]．Sensors，2017，17（2）.DOI：10.3390/ s17020425.

[31]SHENFIELD A， HOWARTH M. A novel deep learning model for the detection and identification of rolling element-bearing faults[J]. Sensors，2020，20（18）.DOI： 10.3390/s20185112.

[32]WANG Pengxin， SONG Liuyang，WANG Huaqing， et al. Grouping sparse filtering： a novel down-sampling approach toward rotating machine intelligent diagnosis in 1D-convolutional neural networks[J]. Measurement Science and Technology，2022，33（6） .DOI： 10.1088/ 1361-6501/AC4CE6.

[33]XU Yadong，YAN Xiao'an， SUN Beibei，et al. Multireceptive field denoising residual convolutional networks for fault diagnosis[J]. IEEE Transactions on Industrial Electronics，2022， 69（11）： 11686-11696.

[34]DAO Fang， ZENG Yun， QIAN Jing. Fault diagnosis of hydro-turbineviatheincorporationofBayesian algorithm optimized CNN-LSTM neural network[J]. Energy，2024，290.DOI：10.1016/J.ENERGY. 2024.130326.