学术研究报告：DMWMN——一种面向变工况齿轮箱智能故障检测的深度调制网络

一、研究团队与发表信息
本研究的通讯作者为Qingbo He（上海交通大学机械系统与振动国家重点实验室），第一作者为Junchao Guo（天津理工大学机械工程学院），合作作者包括Fengshou Gu与Andrew D. Ball（英国哈德斯菲尔德大学效率与性能工程中心）。研究成果发表于IEEE Transactions on Systems, Man, and Cybernetics: Systems 2024年10月刊（第54卷第10期）。

二、学术背景与研究目标
齿轮箱作为工业设备（如高铁、风电、航空航天）的核心传动部件，其故障检测对设备可靠性至关重要。然而，齿轮箱在多齿啮合运动和变工况下，振动信号会呈现复杂的幅值调制（AM）和频率调制（FM）特性，传统卷积神经网络（CNN）难以从调制信号中有效提取故障特征。现有方法（如调制信号双谱分析MSB）需人工选择敏感频段，且缺乏与深度学习的端到端融合。

本研究提出深度多尺度加权调制网络（DMWMN），旨在解决以下问题：
1. 变工况下齿轮箱调制特征的自动解调；
2. 多尺度故障特征的加权融合优化；
3. 提升故障分类的准确性与鲁棒性。

三、研究方法与流程
1. 频率域调制谱（FDMS）设计
- 创新点：提出FDMS作为信号处理层，替代传统MSB，通过改进的双谱分析（引入调制分量f1±f2）提高频率分辨率，避免频谱泄漏。
- 数学基础：基于高阶累积量的双谱变换（公式2），扩展为包含上下边带的FDMS（公式4），推导了AM/FM信号的解调表达式（公式7、12）。

1. 多尺度加权调制层（MWML）构建

   • 多分支结构：采用不同尺度的FDMS切片（如nw=28）并行处理信号，通过频域信噪比（FDSNR）（公式14）自适应优化权重系数（公式15），增强故障特征成分。
     
   • 数据流：原始信号→FDMS解调→多尺度特征融合→加权输出。
     

2. 深度网络集成

   • 网络架构：MWML与CNN结合，形成多尺度加权调制块（MWMB），包含卷积层、最大池化层和全连接分类器（Softmax）。
     
   • 训练优化：采用交叉熵损失函数（公式19）和梯度反向传播（公式20-22）更新参数。
     

3. 实验验证

   • 案例1（斜齿轮箱）：
     
     • 数据：5种负载条件下300个样本（2048点/样本），重叠分段生成60样本/工况。
       
     • 对比方法：ResNet、DenseNet、LSTM等。
       
     • 结果：DMWMN分类准确率99.18%（其他方法最高95.04%），FDMS较MSB显著提升特征分辨率（图5）。
       
   • 案例2（行星齿轮箱）：
     
     • 数据：6种故障类型360个样本（1024点/样本）。
       
     • 结果：准确率98.48%，F1-score优于传统算法（表VII）。
       

四、主要结果与逻辑链条
1. FDMS有效性：在斜齿轮箱实验中，FDMS成功提取了故障频率fm及其谐波nfz±kfm（图5），而MSB因缺乏全局特性处理能力表现较差。
2. MWML优势：通过t-SNE可视化（图7、16），MWML在变工况下实现了故障特征的清晰分离，而传统方法（如包络分析层EAL）存在特征耦合。
3. 端到端性能：DMWMN在两项实验中均达到最高准确率（图8、17），其多尺度融合和自适应加权机制（公式13-15）是关键创新。

五、研究结论与价值
1. 科学价值：
- 提出FDMS作为首个嵌入CNN的调制解调层，解决了MSB的频域分辨率不足问题；
- 建立FDSNR加权融合理论，为多尺度特征优化提供新方法。
2. 应用价值：DMWMN可部署于工业设备实时监测，尤其适用于变工况下的齿轮箱故障诊断。

六、研究亮点
1. 方法创新：首次将调制谱分析与深度学习端到端结合，实现调制特征的自动解调；
2. 技术突破：FDSNR加权系数优化避免了人工经验依赖；
3. 泛化能力：在斜齿轮和行星齿轮箱两类差异显著的系统中均验证有效性。

七、局限性与展望
当前研究未在真实工业场景中验证，未来需扩展至多故障跨域诊断，并探索更高效的调制谱表征方法。

（注：全文严格遵守术语规范，如“幅值调制（AM）”“频率调制（FM）”在首次出现时标注英文缩写，关键公式与图表引用原文编号。）