《ADVANCED ENGINEERING INFORMATICS》：Explainable wavelet-scalogram learning for quasi-stationary faults in automotive DC motors using AERIS-Wave
编辑推荐：
汽车直流电机噪声诊断中提出并验证了基于小波变换的可解释深度学习框架AERIS-Wave，结合CWT scalograms、注意力机制和归一化技术实现97.72%准确率与0.9991 AUC，优于传统机器学习及深度学习模型。
Willy Dharmawan|Nur Hamid|Haitham Saleh|Amalia Irma Nurwidya|Peni Laksmita Widati
沙特阿拉伯达兰法赫德国王石油与矿业大学智能交通与物流跨学科研究中心，邮编31261
摘要
汽车有刷直流电机中的噪声诊断对于确保其可靠性和符合严格的制造标准至关重要。传统的人工检测方法往往具有主观性和不一致性，因此需要自动化、数据驱动的解决方案。本研究介绍了一种基于小波的可解释分类框架，利用加速度计数据来诊断准静态电机故障。该框架采用连续小波变换（CWT）提取丰富的时频特征，包括小波图、脊线轨迹、周期图和统计描述符，这些特征可作为机械行为的判别性表示。这些特征通过经典机器学习算法（随机森林、XGBoost）和深度学习架构（如ResNet18、VGG16、CNN-LSTM、CNN-GRU和WaveNet）进行评估。在现有基础上，提出的AERIS-Wave（注意力增强残差可解释小波图网络）整合了多层注意力机制、LayerScale归一化和可解释AI组件（集成梯度、Grad-CAM、SHAP），以可视化影响决策的频谱贡献。实验结果表明，AERIS-Wave的准确率达到97.72%，AUC为0.9991，超越了所有基准模型，包括WaveNet和ResNet18。研究结果证实，基于小波的表示方法结合可解释的深度学习技术，能够实现高精度、可解释且可扩展的故障分类，适用于工业环境中的实时质量控制。
引言
质量和可靠性在汽车制造中至关重要，直接影响客户满意度和品牌声誉。许多汽车系统依赖直流电机实现精确运动，因此需要严格的质量控制以防止异常噪声和振动。诸如不平衡、错位或电刷磨损等微小制造缺陷可能导致声学异常并降低系统性能[1]。
传统的噪声检测主要依赖于人类的听觉判断，这种方法具有主观性、不一致性，并且容易受到操作员疲劳和环境条件的影响[2][3][4]。随着生产量的增加，手动评估变得不切实际且难以标准化。因此，需要自动化、数据驱动的检测系统来确保对电机质量的一致、客观和可重复的评估。
信号处理和机器学习的最新进展使得在工业环境中实现更可靠的故障检测和质量监控成为可能[5]。这些方法允许对振动和噪声信号进行定量分析，减少人为错误并提高制造系统的诊断精度[6]。
电机噪声信号通常表现出准静态行为，即其统计特性在短时间间隔内保持局部稳定，但会随时间逐渐演变。基于傅里叶的技术（如短时傅里叶变换STFT）适用于静态信号，但在分析局部或瞬态现象时存在时间分辨率有限的缺点[7]。相比之下，连续小波变换（CWT）提供了多分辨率的时频定位能力，使其更有效地捕捉机械系统中的瞬态和尺度依赖特性[8][9]。
尽管取得了这些进展，现有的电机噪声诊断方法仍存在一些局限性。大多数先前研究仅使用单一的时频表示（例如STFT小波图或离散小波特征），而没有整合多种互补的小波衍生描述符。特别是在实时或嵌入式工业应用中，计算效率经常被忽视，许多方法依赖于高采样率和大的输入分辨率。此外，尽管深度学习模型展示了高分类精度，但它们通常作为黑盒系统运行，可解释性有限，从而降低了在工业质量控制应用中的可信度。
本研究通过提出一种基于小波的统一分类框架来解决这些问题，该框架利用加速度计数据诊断汽车有刷直流电机中的噪声类型。所提出的方法提取了多种小波域特征，包括CWT小波图、小波周期图和脊线轨迹，以捕捉独特的频谱和时间特性。为了提高计算效率，信号被重采样至8 kHz，生成保留关键诊断信息的紧凑小波图。这些特征通过经典机器学习模型（随机森林和XGBoost）和深度卷积架构（ResNet18以及提出的AERIS-Wave）进行评估。
提出的AERIS-Wave（注意力增强残差可解释小波图网络）整合了残差学习、注意力机制和LayerScale归一化，以提高泛化和稳定性。可解释工具（包括Grad-CAM、集成梯度和SHAP）被用来突出影响模型决策的时频区域，为工业故障分析提供了透明度。实验结果表明，AERIS-Wave的准确率达到97.72%，AUC为0.9991，优于所有基准模型，包括ResNet18和WaveNet。
本研究的主要贡献如下：
- •
一种用于分类汽车直流电机中准静态噪声的统一基于小波的框架。
- •
一种实现高效且可扩展的重采样小波图策略。
- •
一种结合了注意力机制和可解释AI模块的可解释深度学习架构（AERIS-Wave）。
- •
使用基于加速度计的振动数据对经典机器学习和深度学习模型进行全面基准测试。
相关研究
由于直流电机在确保产品可靠性和制造质量方面的重要性，对其噪声诊断进行了广泛研究。在汽车系统中，直流电机用于座椅执行器、车窗调节器和后视镜等部件，准确分类噪声类型对于早期故障检测和质量控制至关重要[10]。
早期的研究依赖于时域和频域技术，如快速傅里叶变换（FFT）和短时傅里叶变换（STFT）[11]。
数据集组成和标记
数据来自在受控条件下运行的多个汽车有刷直流电机系统，每个系统都表现出不同的机械或电气噪声模式。这些电机在一系列操作场景下进行了测试，旨在模拟现实世界的制造缺陷，如电刷磨损、轴不平衡和电气不稳定。这些故障条件被分为三个主要类别：
准静态行为的验证
为了证明基于小波的特征提取的有效性，必须确认电机噪声信号表现出准静态行为。在准静态信号中，统计特性（如能量）在短时间间隔内保持局部稳定，同时允许在较长时间内逐渐变化。这一特性使得局部时频分析方法（如小波变换）能够提取有意义的频谱特征。
我们进行了评估
结论
总体而言，本研究建立了一个完整且经过验证的框架，使用基于小波的表示方法和可解释的深度学习技术对准静态电机噪声进行分类。提出的AERIS-Wave模型在真实的工业加速度计数据上实现了97.72%的平均分类准确率和0.9991的AUC，证明了其在不同故障类别下的强大鲁棒性和判别能力。这些结果证实了所提出方法的有效性，而无需额外的验证。
CRediT作者贡献声明
Willy Dharmawan：撰写 – 审稿与编辑、撰写 – 原始草稿、方法论、资金获取、正式分析、数据管理、概念化。Nur Hamid：撰写 – 审稿与编辑、验证、调查、正式分析。Haitham Saleh：撰写 – 审稿与编辑、验证、监督、正式分析。Amalia Irma Nurwidya：软件、资源管理、调查、数据管理。Peni Laksmita Widati：可视化、软件、资源管理、数据管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
作者感谢法赫德国王石油与矿业大学（KFUPM）和智能交通与物流跨学科研究中心（IRC-SML）对这项研究的支持。作者还感谢印度尼西亚国家研究与创新机构（BRIN）以及PT. Denso Manufacturing Indonesia（PT. DMIA）在研究中的宝贵合作与支持。
