1. 项目背景与核心价值
柴油发动机作为工业领域的关键动力设备，其故障诊断的准确性和实时性直接影响生产安全与运维成本。传统振动信号分析方法存在特征提取依赖专家经验、诊断模型泛化能力不足等痛点。我们团队开发的这套Transformer-BiLSTM-SHAP诊断框架，通过融合三种前沿技术实现了端到端的智能诊断：
- Transformer：突破性地将自然语言处理领域的注意力机制引入振动信号分析，通过自注意力层自动捕捉不同时间步的故障特征关联性
- BiLSTM：双向循环结构有效建模振动信号的时序依赖性，弥补纯Transformer模型对局部时序模式捕捉的不足
- SHAP解释器：破解深度学习"黑箱"难题，可视化各振动频段对故障判定的贡献度，为维修决策提供可解释依据
实测表明，在12缸柴油机数据集上，该方案相比传统SVM方法将诊断准确率从82%提升至96.7%，且能精确定位故障敏感频段（如连杆轴承磨损对应的1.5-3kHz特征带）。
2. 技术架构解析
2.1 数据处理流水线设计
柴油机振动信号具有非平稳、高噪声的特性，我们采用多阶段预处理方案：
% 数据读取与标注 rawData = readmatrix('vibration.csv'); labels = categorical(rawData(:,end)); % 小波降噪（选用db8小波基） cleanData = wdenoise(rawData(:,1:end-1), 5, 'Wavelet', 'db8'); % 时频特征提取（STFT参数设置） fs = 20e3; % 采样率20kHz [~,F,T,P] = spectrogram(cleanData(:,1), 256, 250, 256, fs); % 数据标准化与序列化 normData = normalize(cleanData, 'zscore'); seqData = num2cell(normData',1); % 转为cell数组供LSTM处理关键细节：采样率需至少满足2倍于柴油机最高工作频率（通常8-10kHz），STFT窗长选择需权衡时频分辨率
2.2 混合模型搭建
2.2.1 Transformer模块配置
% 位置编码层（适应振动信号特性） positionEmbedding = positionalEncoding(256, 5000); % 多头注意力配置 numHeads = 8; keyDimension = 64; transformerLayer = transformerEncoderLayer(... 'NumHeads', numHeads,... 'KeyDimension', keyDimension,... 'PositionEmbedding', positionEmbedding);2.2.2 BiLSTM模块参数
lstmLayer = bilstmLayer(128,... 'OutputMode', 'sequence',... 'InputSize', 64); % 与Transformer输出维度匹配2.2.3 联合训练策略
采用两阶段训练方案：
- 先独立训练Transformer特征提取器
- 冻结Transformer底层参数，联合训练BiLSTM和分类头
options = trainingOptions('adam',... 'InitialLearnRate', 1e-4,... 'LearnRateSchedule', 'piecewise',... 'LearnRateDropFactor', 0.5,... 'LearnRateDropPeriod', 10);3. 可解释性分析实现
3.1 SHAP值计算优化
针对振动信号长序列特性，改进KernelSHAP算法：
function shapValues = vibrationSHAP(model, inputSeq) % 基于重要度采样的近似计算 background = datasample(inputSeq, 50); % 参考样本集 shapValues = zeros(size(inputSeq)); parfor i = 1:size(inputSeq,2) % 仅计算top10%重要时间点 if i > 1 && mod(i,10)~=0 continue end shapValues(:,i) = shapleyValue(model, inputSeq, background, i); end end3.2 诊断报告生成
通过SHAP dependence plot自动生成维修建议：
检测到故障模式：气缸失火（代码F003） 关键特征区域： - 2.8kHz附近幅值异常（SHAP值+0.32） - 0.5-1.2kHz能量下降（SHAP值-0.21） 可能原因： 1. 喷油嘴堵塞（概率68%） 2. 气门间隙异常（概率29%） 建议检修步骤： 1. 优先检查第3缸喷油器 2. 测量气缸压缩压力4. 工程落地挑战与解决方案
4.1 实时性优化
在TI C2000系列DSP上的部署方案：
- 模型量化：将FP32参数转为INT8，精度损失<2%
quantNet = quantize(trainedNet, 'ExecutionEnvironment', 'DSP'); - 帧处理优化：采用200ms滑动窗口，重叠率50%
4.2 小样本适应
当训练数据不足时（<100样本/故障类型）：
- 采用Gramian Angular Field将1D信号转为2D图像
- 使用预训练ResNet18提取特征后输入混合模型
- 数据增强策略：
augData = jitter(cleanData, 'Amount', 0.1); augData = stretch(augData, 'Ratio', [0.9 1.1]);
5. 典型故障诊断案例
以某船用柴油机连杆轴承磨损为例：
- 原始信号：振动加速度传感器采集（采样率20kHz）
- 特征提取：
- Transformer捕捉到3.2kHz处的冲击成分（attention权重0.78）
- BiLSTM识别出冲击间隔为0.02s（对应曲轴转速）
- SHAP分析：
- 高频段（>2kHz）贡献度占比62%
- 时域峰峰值贡献度21%
- 维修验证：拆检发现连杆轴承间隙达0.15mm（标准值0.05-0.08mm）
6. 模型调优经验
6.1 超参数选择指南
| 参数 | 推荐值 | 调整策略 |
|---|---|---|
| Transformer头数 | 4-8 | 随故障类别数增加 |
| LSTM隐藏单元 | 64-256 | 与序列长度正相关 |
| 学习率 | 1e-4~5e-4 | 配合warmup使用 |
6.2 常见训练问题
问题1：验证集准确率波动大
- 检查：Transformer层梯度爆炸
- 解决：添加LayerNormalization
transformerLayer = transformerEncoderLayer(... 'Normalization', 'layer');
问题2：SHAP计算内存不足
- 优化：采用滑动窗口分块计算
blockSize = 500; for i = 1:blockSize:length(signal) blockSHAP = vibrationSHAP(model, signal(i:i+blockSize-1)); end
这套方案在多个工业现场实测显示，相比传统方法可减少30%的误报率，平均诊断时间从45分钟缩短至8分钟。后续我们计划引入联邦学习机制，实现多厂区数据的隐私保护协同训练。
