多变工况下的电机异音异响检测：自监督学习与振动统计特征的融合架构
导读：
在电机异音异响检测的落地过程中，算法模型在多变工况下的泛化能力是一大挑战。在轮毂电机异音异响检测或中置电机异音异响检测中，设备往往需要在多种转速和负载下运行。传统的AI模型一旦遇到训练集外的新工况，准确率通常会出现明显下降。针对这一问题，近期发表在权威期刊IEEE TIM（2025）上的一篇论文提出了一种“混合特征架构”。该研究将基于转速分类的自监督学习与传统的振动统计学特征相融合，有效提升了模型在复杂工况下的鲁棒性。本文将对该核心架构与技术方案进行深度解析。
一、 痛点剖析：多变工况对声学检测的挑战
在真实的制造业场景中，电机异响检测（或振动检测）面临两个主要难题：
- 异常数据匮乏：工厂环境中绝大多数为良品，难以收集到覆盖各种故障类型的异常数据来训练监督学习模型。因此，行业内普遍采用“异常检测（Anomaly Detection）”方案——仅使用正常数据训练，当输入偏离正常分布时即判定为异常。
- 运行工况多变：以电动牙刷异音异响检测为例，电池电量不同会导致马达转速变化；在轮毂电机中，空载、半载和满载下的声学表现也截然不同。
当工况发生变化时，正常数据的特征分布会发生漂移。传统的重构类模型（如Autoencoder）或对比学习模型，往往难以区分“工况改变引起的正常波动”与“早期故障引起的异常特征”，从而导致漏报或误报。
二、 核心架构：以“转速”为核心的混合特征网络
为了解决多工况下的泛化难题，论文提出利用霍尔传感器（Hall Sensor）获取的转速信息，构建自监督学习的辅助任务（Pretext Task），并将其与统计特征融合。
(图注：混合异常检测架构图。上方是基于1D-CNN的转速辅助分类器，下方是传统统计特征提取，两者拼接并标准化后输入LOF算法进行异常检测。)
1. 辅助分类器（Auxiliary Classifier）的设计
在旋转机械的故障诊断中，转速（RPM）是核心物理参数。转子不平衡产生的一阶/二阶谐波，以及轴承内外圈故障特征频率（BPFI/BPFO）均与转速直接相关。
研究人员设计了一个包含5层卷积、1层全局平均池化（GAP）和1层全连接层的 1D-CNN网络 作为辅助分类器。其任务是根据输入的振动信号预测当前的转速类别（如600 RPM或1200 RPM）。
- 当输入正常数据时，网络能准确预测转速，输出的概率分布（Logit）高度集中。
- 当输入异常数据时，由于故障改变了信号的频率结构，网络预测转速的准确率下降，输出的概率分布会变得分散。这种输出分布的差异，即可作为区分正常与异常的高维语义特征。
2. 六大振动统计特征的物理意义
虽然辅助分类器对转速相关的故障特征敏感，但在计算概率的过程中，可能会丢失原始信号的“绝对能量”和“波形包络”信息。在传统的NVH异音异响检测中，论文提取了6个关键的统计特征：
- 均值（Mean）、峰值（Peak）、均方根（RMS） ：反映异响的整体能量大小与振动中轴。
- 波峰因数（Crest Factor）、偏度（Skewness）、峭度（Kurtosis） ：对齿轮崩齿、轴承点蚀产生的瞬态冲击（Impulse）和非对称性分布高度敏感。
3. 特征融合与异常检测
论文将辅助分类器的输出（高维语义特征）与6个传统统计学特征（物理波形特征）进行拼接（Concatenation）。由于两者的量纲不同，随后进行了Z-score标准化，形成最终的混合特征（Hybrid Feature） 。最后，将该混合特征送入LOF（局部异常因子, Local Outlier Factor） 算法中进行密度评估。LOF算法通过计算样本与其邻域样本的局部可达密度来判断异常，无需假设数据的全局分布规律，非常适合处理多工况下呈现多峰分布的复杂数据。
三、 实验验证：真实衰退场景下的性能表现
研究团队在三个公开数据集（UOS、HUST、XJTU-SY）上进行了测试，涵盖了不同的转速、电机负载以及轴承类型。
在XJTU-SY数据集（记录了轴承从完好到损坏的全寿命周期）的测试中，该混合方法表现优异。在早期微弱故障的检测中，许多先进的重构模型（如USAD、GANomaly）召回率（Recall）较低，而该混合方法凭借对物理冲击（统计特征）和频率结构（AI特征）的双重敏感度，取得了最高的F1分数和AUC值。这对于小电机异音异响检测等场景具有极高的参考价值。
此外，该方案在树莓派（Raspberry Pi 4B）上的单次推理时间最长仅需 6.77 毫秒。这意味着它可以被无缝集成到低成本的边缘计算节点中，实现实时在线监测。
四、 总结
《Hybrid Approach for Machine Anomaly Detection Across Diverse Operating Conditions》一文展示了在电机声学检测与振动分析中，结合物理先验知识的重要性。
- 转速作为核心参数，将其作为AI的辅助任务，能大幅提升模型在多工况下的鲁棒性。
- 统计学特征（RMS、峭度等）在捕捉瞬态异常方面具有优势，将其与AI提取的高维特征融合，能起到优势互补的作用。
面对工况复杂的 轮毂电机 或产量巨大的 电动牙刷马达，这种将数据驱动（AI）与物理先验（统计特征）深度融合的混合架构，为工业AI的落地提供了一条高性价比、高可靠性的技术路径。针对这一行业痛点，苏州东原电子推出的异音异响检测系统，结合先进声学采集与智能算法能力，能够在多工况条件下实现对设备运行状态的精准识别与异常预警。系统广泛适用于轮毂电机、中置电机及各类智能设备产线检测，为企业提供稳定、高效的异音检测解决方案，助力实现更可靠的质量控制与预测性维护。
