基于深度学习的船舶机械微小故障快速诊断方法

宫文峰，陈 辉，WANG Danwei

(1.武汉理工大学 高性能舰船技术教育部重点实验室，湖北 武汉 430063；2.桂林电子科技大学北海校区 海洋工程学院，广西 北海 536000;3.新加坡南洋理工大学 电子与电气工程学院ST Engineering-NTU联合实验室，新加坡 639798)

0 引言

近十年来，我国在国产航空母舰、新一代战略核潜艇和高性能电力推进系统装备等尖端技术研究方面取得了突破性进展，中国已成为世界第一造船大国和世界航运第一大国[1-3]。如今，新一代船舶正朝着智能化、自动化和无人化方向快速发展[4]。在船舶中，旋转机械是其重要的组成部分，在水面舰艇中包含有大量的旋转机械，诸如：推进电机、应急发电机、主轴、齿轮箱、液压泵以及各类支撑轴承等，此类旋转机械通常需要长时间连续工作在高温、高压、重载和变载荷的复杂工况下，且受潮湿、盐碱等恶劣海况环境影响而易于发生各种故障[5-6]。船舶作为“独立”航行于海上的复杂系统，一旦关键部件发生故障若不及时处理将严重影响船舶的正常运行，甚至导致重大损失和灾难性后果[7]。因此，研究智能、高效和快速的故障诊断及风险预报技术，对保障船舶的安全稳定运行至关重要。

由船舶机械的故障产生和演变机理分析可知，任何显著性故障都是由早期微小故障累积演变而成的[6]。在故障产生的初期，微小故障对机械系统的影响较小，自身状态幅值低、故障特性不明显，所造成的损失程度小、故障维护成本低[8]；然而，随着时间的积累，微小故障的幅值逐渐增大，一旦超过临界值就会快速增大或跃变为显著性故障，对系统造成重大影响且故障维修代价高昂，整个演变过程往往伴随着振动、噪声、压力、温度和转速等指标的剧烈波动和变化[8-9]。不同于陆路装备，远洋船舶在海上突发故障时通常没有足够的时间和外部的技术援助，大型装备又不可能遇到问题就靠港修理，往往处于“孤立无援”的局面[10]。现行的针对陆路装备的“事后维修”、“计划维修”和“定时维护”的船舶运维体系已经越来越无法满足现代航运的发展要求，尤其是高度自动化的智能船舶，传统的根据经验定期维护和更换部件的方法易造成故障误判和资源浪费，存在极大的安全隐患，而现有的状态监测系统多数仅对主要关键部件的过载、过流、过压、高温、偏载等进行报警并执行断电或停机保护措施，并且这种基于阈值判断故障有无的“粗放型”诊断方法只能辨识已经恶化的重大显著性故障，对早期微小故障的辨识却“束手无策”[9-10]。为提高船舶故障诊断的智能化水平，避免早期微小故障发展到“物理目测级”显著故障而造成重大风险事故，2020年3月，中国船级社最新发布的《智能船舶规范》[11]中已明确将状态监测与故障诊断技术作为新一代智能船舶的关键运维技术，面向“大数据”环境，寻求“视情与适情”的精准动态运维方法，早期防患于未然[10-11]。

目前，针对微小故障诊断的方法主要有基于解析模型、基于专家知识和基于机器学习算法3类[12-14]。如今，随着“互联网+”和先进数据采集技术在船舶机械上的普及和应用，船舶状态监测领域已进入“大数据”时代，使得基于数据驱动的机器学习技术在故障诊断领域得到广泛研究，比较有代表的支持向量机(Support Vector Machine, SVM)、K近邻(K-Nearest Neighbor, KNN)和人工神经网络(Artificial Neural Network, ANN)等，已在故障诊断领域得到广泛应用[15-17]。然而，经过大量的实际应用发现，上述浅层机器学习算法仍存在两个方面的不足：①因浅层的模型结构过于简单，导致特征提取能力不足，难以有效辨识微小故障特征[6]；②浅层机器学习算法主要适用于小样本数据，在处理大数据样本时性能突显不足[9]。为弥补该不足，业内学者通常采用经验模态分解、傅立叶变换和小波变换等信号处理技术先对原始数据进特征提取[15-18]，然后再将提取的特征输入浅层机器学习算法进行模式分类，此类组合方法虽然取得了一定的效果，但是人工设计的特征具有较大的主观盲目性，诊断精度依赖专家经验[19]，对于反映微小故障的隐蔽特征易被噪音掩盖和误删，且该操作费时、费力，尤其在处理多传感器、多通道的高维度“大数据”时更加“力不从心”，严重影响诊断效果[19-20]。

为了更有效地提取隐藏于大数据中的微小故障特征，一种强大的深度学习(Deep Learning, DL)算法——卷积神经网络(Convolutional Neural Network, CNN)得到故障诊断领域学者的广泛关注[3]。CNN采用深层网络结构，具有强大的特征提取能力，克服了传统浅层机器学习算法的不足，具备辨识微小故障的潜力[9]。近5年来，CNN已得到业内学者的广泛关注[20-27]。CHEN等[21]较早地将CNN用于齿轮箱的振动信号故障诊断中，首先采用统计特征和快速傅立叶变换分别对原始信号的时域和频域进行特征选择，然后再用CNN进行分类。WANG等[22]采用快速傅里叶变换与CNN相结合的方法对电动机进行了故障诊断。李恒等[23]采用短时傅里叶变换和CNN对滚动轴承进行了故障诊断。以上研究虽然都用到了CNN算法，但是都仍然需要借用传统的信号处理技术对原始数据进行特征操作，未能充分发挥CNN强大的特征提取能力，且限制了诊断效果的进一步提升[19-20]。HOANG等[24]、宫文峰等[25]、XIA等[26]和WEN等[27]分别提出了直接采用原始数据输入CNN进行故障诊断的方法，然而上述文献需要将原始的一维时间序列数据按照图像的数据结构转变为二维特征图，以符合2D-CNN的数据格式要求。此类方法虽然可以减少传统方法中人工提取选择特征的繁琐操作，但是仍存在两点不足：①将一维序列转变为二维图像的数据重构操作破坏了原始数据的时间关联特征，且没有充足的理论证明该操作是合理的；②在处理多传感器和多通道数据时需要建立多通道的二维卷积核来执行多通道卷积运算[9]，从而增加了2D-CNN模型的复杂度和运算时间，不利于微小故障的快速诊断。

针对以上问题，本文提出一种基于改进的1DCNN-GAP的深度学习新算法，用于船舶机械微小故障的快速诊断。该算法由输入层、特征提取层、1D-GAP层和Softmax输出层组成。首先，输入层自动对原始的多传感器、多通道数据进行融合和数据处理；其次，特征提取层对融合后的特征图进行特征提取；然后，1D-GAP层进行降维减参和维度变换；最后，诊断结果由Softmax层自动输出。该算法的创新点主要有两个方面：①引入一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)处理多传感器一维时间序列数据的融合问题；②为减少现行CNN模型的参数量和检测时间，设计了一维全局均值池化层(1D Global Average Pooling, 1D-GAP)来改进传统1D-CNN中2～3层的全连接层。改进的算法具有更少的训练参数量和诊断时间，更加适合处理船舶机械的快速故障诊断问题。整个诊断过程无需任何手工特征提取，“端到端”的算法结构具有更加优越的灵活通用性。

1 卷积神经网络

CNN最早是由图灵奖获得者LECUN等[28]提出的一种基于卷积数学运算为基础的前馈式深度神经网络。与传统全连接BP(back propagation)神经网络相比，CNN最大的优点在于：①CNN设计了卷积和池化两种特殊结构的操作算子，将传统BP神经网络中每一层的每一个神经元在CNN中以卷积核(滤波器)来定义，具有强大的特征提取能力[9]；②CNN采用了稀疏式连接和参数权重共享机制，在时间和空间上降维采样精减数据维度，减少模型训练参数量，提高图像处理效率[6]；③CNN对图像的缩放、旋转、平稳等位置操作具有自适应性，因此，CNN在图像识别领域中取得了显著的应用成效[22]。如图1所示为CNN的基本框架结构[3]，主要由卷积层、池化层和全连接层3个部分组成[25]。

(1)卷积操作

卷积是CNN中最核心的数学操作之一，主要用于特征提取，CNN中的卷积操作并非数学中的标准卷积计算，此处类似于互相关运算[29]。CNN的单通道卷积操作基本过程如图2所示。

在图2中，左侧是一张[5×5×1]的单通道灰度图像(5×5代表长和宽，1代表1个通道)，中间是一个[3×3×1]的单通道卷积核，右侧是经卷积操作后得到的[3×3×1]的输出特征图，本例补零方式为“VALID”，步长为1。在实际的计算机视觉或故障诊断应用中，往往遇到的是多通道数据，如彩色照片具有RGB三个通道、旋转机械具有数十个传感器数据通道[25]。针对多通道数据，CNN将采用多通道的卷积核进行卷积计算，多通道卷积操作的数学表达为[9]：

(1)

如图3所示为多通道卷积操作的过程，可以看作是由3个传感器的一维时间序列数据重构为一个3层堆叠的特征图。在图3中，对于3通道的图像，CNN需要构建3通道的卷积核对其执行多通道卷积操作，其中每一个卷积核通道分别对应一个输入图像通道，并按照图2所示的单通道卷积计算方法，每个通道各自得到一张输出特征图，最后，将3个通道的输出值累加后得到最终的一张输出特征图[29]。

(2)稀疏连接与参数权共享

稀疏连接与参数权共享是CNN能够取得杰出的图像识别速率的两大利器[6]。如图3所示，在多通道卷积操作中，每一个通道的卷积核权重均不同，但是同一个卷积核在遍历整个图像执行卷积操作时的权重是相同的，此即为参数权共享的独特之处[29]。另外，在每一次卷积运算时，卷积核都只对图像中的一个局部小区域进行计算，并采用滑动窗口以一定步长遍历整个图像，完成整个图像的特征提取，此即为CNN稀疏式连接的巧妙之处[25]。这两项独特的设计提高了CNN的计算效率，也为其在微小故障的快速诊断领域的应用提供了条件。

由上述分析可以看出，现行的2D-CNN算法是一种基于二维或三维图像的数据框架，在处理多通道数据时其复杂度和参数量将随着输入图像的通道数的增加而呈指数级增涨[9]。然而，在实际的船舶旋转机械故障监测系统中，每一个监测对象往往包含振动、噪声、转速和温度等多个监测指标，每一个指标又包含多个传感器测点，而每个测点均可获得一个连续的长时间一维时间序列数据[6]，2D-CNN模型在处理这些多通道一维时间序列数据时将会导致模型的运算速率急剧下降，消耗巨大计算资源的同时又无法满足诊断实时性要求。因此，直接将2D-CNN算法套用在旋转机械上进行多传感器故障诊断应用仍存在诸多问题。近3年，在语音识别领域出现了一种新兴的一维卷积神经网络(1D-CNN)，1D-CNN相比2D-CNN更适用于处理一维时间序列数据[29]。JIA等[30]、曲建岭等[31]和ZHANG等[32]分别尝试将1D-CNN用于旋转机械的故障诊断中，但是这些1D-CNN算法仍沿用了传统2D-CNN框架中2～3层的全连接层作为分类判别层，全连接层的参数量几乎占据了整个CNN模型总参数量的80%～90%[33]，从而使1D-CNN模型因总参数量过多而导致模型测试时间过长，不利于微小故障的快速诊断。

2 改进的1DCNN-GAP智能诊断算法

针对以上问题，本文提出一种基于改进的1DCNN-GAP的深度学习新算法，用于船舶机械在多传感器监测环境下的故障快速诊断。改进的1DCNN-GAP算法结构如图4所示，主要由输入层、特征提取层、1D全局均值池化层和Softmax分类输出层组成。该方法首先引入1D-CNN处理多传感器、多通道一维时间序列数据融合问题；然后对现行1D-CNN的结构进行改进，通过设计一个1D-GAP层来代替传统1D-CNN中2～3层的全连接层，从而减少1D-CNN模型的总参数量和诊断等待时间。相比传统2D-CNN算法，提出的1DCNN-GAP算法具有以下3方面的优势：①提出的方法更适合于对多传感器、多通道数据进行融合和处理，该方法省去了传统2D-CNN中对多通道二维特征图数据重构的繁琐过程，具有更高的处理效率;②提出的方法极大地减少了1D-CNN的模型参数量，通过设计1D-GAP层代替2～3层的全连接层，可减少多达90%的参数量，有效提高了算法的诊断速度;③提出的方法在解决“大数据”环境下的多传感器故障诊断问题时具备更好的实效性，整个诊断过程无需任何手工特征提取，端到端的算法结构具有更加优越的普适性和可操作性。

如图5所示为该诊断算法的基本流程。首先，原始的多传感器一维时间序列故障数据直接输入到1DCN-GAP诊断模型，输入层自动对其进行数据融合和数据处理；其次，特征提取层的多个1D卷积层和1D池化层对融合后的二维特征图进行深度特征提取；然后，再由1D-GAP层执行降维减参和维度变换操作；最后，Softmax分类器对1D-GAP层的输出结果作归一化处理，并自动输出最终的诊断结果和误分类信息。

2.1 输入层

输入层用于接收多通道原始故障数据，并对这些数据进行数据融合、数据规范化和样本生成等操作，将原始数据处理成1DCNN-GAP模型可训练的样本格式。

(1)多通道数据融合

在实际的故障监测系统中，每个故障类型往往都由多个类型或多个测点的传感器同时进行数据采集[9]。因此，首先要对这些数据进行融合，假设有n种故障类型，每种故障有m个监测传感器，每个传感器采集l个数据点，从而可以构建一个[n,m,l]的多维张量矩阵原始故障数据集，如图6所示。

(2)数据标准化

原始的故障数据中通常包含许多量级大小不一的数据杂点，这种量级差异化将导致CNN模型训练过程难以收敛，且易于出现模型过拟合问题[6]，为了减少量级差异化对模型训练过程的影响，本文采用均值规范化处理，数学表达为[25]：

(2)

2.2 特征提取层

特征提取层是1DCNN-GAP算法的核心模块，主要由多组1D卷积层和1D池化层堆叠组成。每一个1D卷积层均通过构建多个多通道的1D卷积核提取样本中的多个特征要素。与2D-CNN算法不同的是：在1D-CNN算法中，所有1D卷积核仅沿着特征图的长度方向进行滑移遍历整个特征图[29]。如图4所示，1D卷积核的宽度始终设计为与被执行卷积操作的特征图的宽度相等，例如：在第一卷积层中，卷积层1的卷积核为[a×t×s]，其中a表示卷积核的长度(此数值可调参);t表示卷积核的宽度(此数值由传感器通道数决定);s表示该卷积层的输出通道数，即第一卷积层要提取的特征个数。具体的卷积和池化操作介绍可参见文献[29]～文献[32]，此处不再赘述。

2.3 一维全局均值池化层

1D-GAP层是1DCNN-GAP算法的独特组成部分。全局均值池化技术最早由LIN等[33]提出，通过设计一个2D-GAP层用于解决2D-CNN中全连接层参数量过多的问题[6]。在2D-GAP的基础上，经大量实验研究，本文设计了一个1D-GAP层用于替代现行1D-CNN算法中的Flatten层和2～3层的全连接层部分。1D-GAP与普通1D池化相类似，其特别之处在于1D-GAP的池化核的尺寸与被池化操作的特征图纵向尺寸完全相同。1D-GAP的数学表达可写为：

(3)

2.4 Softmax输出层

在1D-GAP层之后，采用Softmax函数作为输出层，用于对1D-GAP的输出结果作归一化计算。Softmax函数是一种经典的逻辑回归方法，常用于多分类，其数学表达式[20]为：

Yi=Softmax(Xi)=

(4)

(5)

3 实验验证

为评估和验证本文提出的1DCNN-GAP算法对机械微小故障快速诊断的实效性和准确性，以最常用的支撑部件滚动轴承作为实验对象，通过运用提出的1DCNN-GAP方法对滚动轴承在多传感器和多种负载工况下的监测数据进行故障诊断验证。

3.1 故障实验

本文采用美国凯斯西储大学提供的电机轴承故障数据[25]。如图7所示为滚动轴承故障实验台，该实验台上共布置了3个振动加速度传感器[34]，分别安装在电动机的驱动端、风扇端的机罩外壳的12点位置处以及基底上，如图7所示[9]。故障轴承用于支撑电机主轴，轴承型号为6205-2RS JEM深沟球轴承[6]。该实验包含9种故障类型和1个正常状态，9种故障分别是在轴承的滚珠、内圈和外圈上采用电火花加工技术植入的3个故障等级的点蚀凹坑，凹坑直径分别为：0.18 mm、0.36 mm和0.53 mm，尺寸的不同代表故障从微小到显著的递增[25]。

该实验共包含1～3马力3种负载工况，本实验选用1马力工况作为验证实验，2～3马力工况作为迁移泛化实验。本实验所有数据的采样频率均为12 kHz，采样时间为10 s。为便于分析，本实验截取前10万个数据点构建故障数据集。提出的1DCNN-GAP模型的输入层将自动进行数据处理，主要包括：

首先，对每个故障类型的[100 000×2]的2通道数据进行均值标准化数据处理，每个通道的数据点按照式(2)转变为0～1之间的数值。

其次，对标准化后的数据进行数据截取，生成用于1DCNN-GAP模型训练的故障样本。按照文献[6]所述的方法，每类故障的每个样本长度设置为500个采样点，从而每种健康状态包含200个样本。

最后，划分数据集。将每个故障类型的200样本随机的划分为训练集、验证集和测试集[6]。训练集和测试集的比例分别为70%和30%[26]，最终得到的轴承故障数据集如表1所示。在表1中，每个故障样本均为一个[500×2]的矩阵。

表1 滚动轴承2通道故障数据集

3.2 基准模型

为验证本文提出的改进1DCNN-GAP算法相对传统2D-CNN算法的优越性和可行性，本实验首先给出一个参考基准模型。文献[9]详细地对比了不同超参数下的模型诊断性能，并给出了一个性能较优的具有2个全连接层(Fully Connected layer, FC)的2DCNN-FC模型,用于诊断轴承故障多通道数据。本实验采用文献[9]所述的2D-CNN-FC算法作为基准对比模型，其模型超参数如表2所示。该模型包含2个2D卷积层、2个2D池化层和2个全连接层，该模型的总参数量为143 978个，2层的全连接参数量为124 298个，占总参数量的86.3%。在该模型中，每个[500×2]的故障样本均采用数据重构[24]的方法转变为[25×20×2]的2层堆叠的二维特征图。

表2 传统的2DCNN-FC故障诊断模型超参数

3.3 建立的1DCNN-GAP故障诊断模型

本实验基于前期的研究[6]，经调参测试，建立了1DCNN-GAP故障诊断模型，详细超参数如表3所示，其基本构架结构如图8所示，该模型由3个1D卷积层、2个1D池化层、1个1D全局均值池化层和Softmax输出层组成，3个卷积层神经元个数分别为64、32和10，该模型的总参数量为7 594个，参数量计算方法参见文献[3]。

表3 改进的1DCNN-GAP诊断模型超参数

在该模型中，2通道的输入样本[500×2]经过第1卷积层处理后的输出为[500×64]，此处的64代表提取64个特征；第1池化层采用了[2×1]的池化核，通过池化层1处理后的输出为[250×64]，池化层仅压缩特征图尺寸，不改变通道数；依次交替执行卷积和池化运算，经卷积层3处理后的输出为[50×10]；然后，1D-GAP层采用10个1D-GAP池化核，每个1D-GAP池化核分别对50个元素值计算得到1个全局平均值，从而，1D-GAP层的输出为[1×10]；最后，由Softmax分类器输出最终的分类诊断结果。

本实验采用Adam自适应学习率梯度下降优化算法[6]对模型各层参数进行迭代训练，运用批量归一化和Dropout深度学习训练技巧[9]改善过拟合问题，mini-batch的样本数为64个，迭代100次。最终1DCNN-GAP算法和传统2D-CNN-FC算法的诊断结果如表4所示，表4中采用精确率、召回率和F1均值[6]对诊断结果进行评估。为进一步定位和显示诊断错误的样本数量和位置，本文引入多分类混淆矩阵[25]对诊断结果进行量化，如图9所示。

表4 故障诊断结果评估数据

对比表2～表4可知，传统的2DCNN-FC算法的模型总参数量为143 978个、训练时间为305.17 s、测试时间为0.475 s、精确率为99.03%，而改进的1DCNN-GAP算法的模型总参数量仅为7 594个、训练时间为244.91 s、测试时间仅为0.266 s、精确率为99.84%。由此可见，提出的算法相比传统的2D-CNN可减少多达90%的模型参数量，诊断速度可提升44%，且诊断精确率略有提升，说明提出的算法更加适合于故障的快速诊断和实时检测。从图9可以看出，600个故障样本中，传统的2D-CNN算法存在6个样本被误判，且在不同故障等级和不同故障位置方面存在混淆；而改进的1DCNN-GAP算法仅有1个样本被误判，误判的样本真实标签为故障6，被误判为故障3，属于同一故障等级的不同故障位置之间的混淆，然而对微小故障的识别率为100%，对正常样本与故障样本之间的辨识率为100%，由此可见，提出的1DCNN-GAP算法具有更加优越的故障诊断性能。

3.4 与其他智能诊断算法的对比

本文进一步将提出的1DCNN-GAP算法与当前主流的支持向量机(SVM)、K近邻(KNN)和深度BP神经网络(Deep BP Neural Network, DNN)[25]等主流的机器学习智能算法进行综合对比验证，对比实验仍然采用表1中故障数据集。在传统的诊断方法中，通常将人工特征提取与机器学习算法相结合[35-37]。XIA等[26]采用了14个特征提取算子从原始数据中提取特征信息，包含10个时域特征和4个频域特征。本实验按照同样的方法对表1中的数据提取波峰、峭度和裕度指数等14个特征指标[6]，然后将提取的14个特征数据分别输入到SVM和KNN算法进行故障分类，实验结果如表5所示。

表5 5种算法测试集精确率结果 %

对比表5可以明显看出，SVM、KNN、DNN和2DCNN-FC的诊断精确率分别为93.94%、92.91%、94.79%和99.03%，而1DCNN-GAP算法精确率高达99.84%。通过对比5种算法的结果可以看出，提出的1DCNN-GAP算法具有更加优越的诊断性能，也可以看出，深度学习算法的诊断性能明显优于浅层的机器学习算法。以上3种对比算法的模型超参数分别为：SVM采用的惩罚系数C=10.0，核函数为高斯径向基核函数，松弛变量ξ=0.1；KNN采用Minkowski距离，k=10，叶子结点为30；DNN采用了5层网络，隐含层神经元结点个数分别为512、256、128、64、10(输出层)，采用Tanh激活函数和Softmax分类器，采用Adam优化器，训练500轮。本文所有实验均采用Tensorflow 1.10版和Python 3.6软件。

3.5 不同负载工况的迁移实验

为了评估所提算法在应对不同负载工况时的故障诊断迁移泛化性能，本实验进一步对滚动轴承在2马力和3马力两种负载工况下的故障数据进行测试，迁移实验采用与1马力工况完全相同的诊断模型超参数和数据处理方法，实验结果如表6所示。对比表6可以看出，本文提出的1DCNN-GAP算法对2马力和3马力两种负载工况下的诊断精确率结果分别为99.51%和99.34%。以上实验表明，本文提出的1DCNN-GAP算法具有优越的迁移泛化性能，在不同负载工况下同样取得了较高的诊断精确率。

表6 迁移实验故障诊断结果 %

3.6 特征提取可视化

CNN具有强大的非线性特征映射能力，然而其特征提取过程一直被视为黑箱子操作[9]。为了进一步揭示建立的1DCNN-GAP诊断模型对原始故障数据进行逐层提取特征的效果，本实验引入流形学习中的t-SNE[36]技术对CNN各层的输出特征数据进行降维可视化。本实验以1马力负载故障测试集的600个样本作为输入，采用t-SNE技术降维至三维空间进行可视化输出，如图10所示。从图10a～图10f看出，图10a为600个原始故障样本分布，10种故障类型分布散乱无序，经过卷积层1、卷积层2、卷积层3、1D-GAP层和Softmax层的处理后，逐步按故障类别聚集在一起。图10充分阐释了1DCNN-GAP算法逐层学习和提取特征的机理过程，表明所提算法具有优越特征映射能力。

4 结束语

本文提出一种基于改进1DCNN-GAP的深度学习新算法，用于解决船舶旋转机械在多传感器监测环境下的故障快速诊断问题。该方法引入1D-CNN算法解决多传感器一维时间序列数据的融合问题，并针对现行1D-CNN算法的模型参数量过多的不足，提出了采用1D全局均值池化层代替2～3个全连接隐含层的改进方法。通过将提出的算法对滚动轴承在不同负载工况下采集的2通道故障数据进行诊断，结果表明，改进的1DCNN-GAP算法相比传统的2D-CNN模型的参数量可减少90%，诊断速度可提升40%以上；针对1马力、2马力和3马力3种负载的诊断精确率分别为99.84%、99.5%和99.33%，诊断效果明显优于主流的SVM、KNN、DNN和2D-CNN。采用t-SNE技术对1DCNN-GAP的特征映射能力进行可视化，阐释了其逐层特征提取的机理过程。所提方法无需任何的手工特征操作，“端到端”的算法结构具有优越的普适性和通用性，更适用于船舶旋转机械在多传感器监测环境下的故障快速诊断和实时检测。未来，作者团队将继续在基于深度学习的船舶机电装备时变转速工况微小故障诊断与风险等级评估方向开展持续性研究。