基于多元分解和深度学习的机器故障检测方法的研究＊林香（闽西职业技术学院智能制造学院，福建龙岩３６４０２１）摘要：基于声学的机器故障检测方法是一种新颖的研究方法，但是需要依赖采集足够丰富的故障类型数据．因此，提出一种无监督的机器故障检测方法，即使用机器正常运行状态的数据作为训练样本，从而鉴别出机器异常状态．该检测方法的一个关键问题是信号中的噪声，它会影响检测的性能，针对这个问题，提出了一种基于多元张量分解的准非参数光谱数据去噪策略，即非负正则多重分解，这种策略特别适用于发出稳定声音的机器．通过实验证明了这种声学检测方法，可以使得工业过程的故障监控更加准确．关键词：多元分解；深度学习；无监督机器故障检测中图分类号：ＴＰ１８３；ＴＨ１７文献标识码：Ａ文章编号：１６７３－２１０３（２０２３）０２－００６３－０６０引言早期机器故障检测是工业问题的难点，也是工业４．０降低维护成本的支柱之一．声音是一种可以记录下来，并用以监控机器健康状态的信号．基于声音的这一特性形成的声学监测，由于它便宜、非侵入性、非破坏性且易于安装，为行业带来了巨大的便利．然而，如何区分机器正常和异常的声音仍然是难点，原因如下：①故障情况通常比较少见；②记录的故障无法覆盖所有可能的故障类型，③噪声和伪像的存在概率可能很高［１－２］，④不同的操作模式使得很难区分机器的正常和异常状态．为了解决这些问题，提出了无监督异常检测策略［３－４］，即将正常数据用于异常检测器的训练，寻找出与其它数据最不匹配的实例来检测出测试数据的异常．目前的研究方向主要集中在没有任何关于系统故障特征数据的情况下如何去识别异常数据．本文的方法是考虑两类（正常和异常情况）之间的不平衡现象，以及缺少所有可能故障的记录，基于深度学习方法在无监督检测问题（以及更一般的音频信号处理［５］）方面表现出显著的性能，常见的方法是单类分类器［６］或自动编码器，对残差进行决策以执行异常检测．针对去除高频数据的重要性问题，设计了基于深度学习方法进行后续的异常检测任务．其核心思想是降低数据集的复杂度和冗余度，以达到提高神经网络分类性能的目的．为了提高光谱表示的质量，研究了由机器在几个瞬间的不连续记录组成的数据结构，以及消除记录特有的假象和噪声的方法．为此，提出了基于数据驱动的准非参数去噪策略方法，其主要采用了非负典型多元分解的思想［７］，与基于非负矩阵（ＮＭＦ）...
