基于多级特征编码器用于声学信号故障检测模型

1. 研究背景与问题​

• ​工业故障检测的重要性​：智能诊断可预防关键设备意外故障，保障工业连续运行。
• ​现有方法的局限​：
  • 传统声学信号故障检测方法泛化能力不足，易过拟合源设备特征。
  • 难以捕捉跨设备故障检测所需的域不变特征。
  • 工业设备数据分布差异大（设备异构性、背景噪声干扰），导致模型迁移性能下降。

---

​2. 核心贡献：多级特征编码器（MLFE）​​

提出一种基于迁移学习的声学信号故障检测框架，包含以下创新点：

1. ​频率掩码技术​

   • 通过低通滤波（保留前 N^ 个频率分量）过滤高频噪声。
   • 时间复杂度 O(N)，空间复杂度 O(1)，计算高效。
   • 示例效果：

2. ​多级特征工程​

   • ​时域特征​：位移差 Dij​、速度差 Vij​、加速度差 Aij​。
   • ​频域特征​：傅里叶变换后提取统计特征（均值、标准差、MAD、能量、熵