每周文章分享

2022.08.15-2022.08.21

01

研究背景

滚动轴承广泛应用于各种工业设备中。然而，在高速、高负荷、长时间强冲击等复杂条件下，滚动轴承容易发生磨损、剥落或其他故障，导致设备性能下降甚至引发一系列的安全问题，因此对滚动轴承进行精确的故障诊断显得尤为重要。传统的智能故障诊断方法（1）很难提取有效特征来表示故障滚动轴承的复杂动态行为；（2）难以处理复杂的工作条件；（3）同时也很难使用大规模数据集进行学习。

深度学习作为一种融合的特征提取和分类方法，有望为滚动轴承故障诊断提供自动、有效的端到端解决方案。深度学习的核心是特征学习，其目的是通过用深度网络对数据进行高层抽象建模，从输入数据中学习判别故障特征。近年来，基于深度学习的滚动轴承故障诊断方法得到了广泛的研究。

02

关键技术

本文探讨了注意力机制在故障诊断网络中的应用，并通过充分考虑滚动轴承故障的特征来设计注意模块，以增强故障相关特征并忽略不相关特征。基于所提出的注意力机制，进一步提出了一种多注意的一维卷积神经网络（MA1DCNN）来诊断轮对轴承故障。MA1DCNN可以自适应地重新校准每一层的特征，并可以增强故障脉冲的特征学习。本文的贡献总结如下：

1）本文探讨了1DCNN改进方向中的注意力机制，并提出了三个物理连接到滚动轴承的注意力模块：CAM、EAM和JAM。

2）使用注意机制的MA1DCNN被提议作为诊断轮对轴承故障的端到端方法。据作者所述，这是首次将基于1DCNN的多注意机制应用于旋转机械故障诊断。

3）与现有的八种故障诊断方法相比，本文提出的MA1DCNN在轮对轴承数据集上取得了更好的诊断效果。

03

算法介绍

1DCNN中的卷积层（其输入为特征表示）将局部感受野中的时间信息和信道信息融合，以生成一组新的特征表示作为输出。它由一组激活图组成，每个激活图表示不同的特征类型。在注意模块的帮助下，MA1DCNN对不同的激活映射和时间信号段给予不同的注意，从而增强了故障相关特征的学习能力。这样，网络可以提取更多的鉴别特征，其学习机制更具解释性。

1. 通道注意力模块(Channel Attention Module)

图1 CAM的基本结构

在这篇文章中，引入CAM来自适应增强与故障相关的激活图，并摒弃不相关的和错误的信息，从而完成对输入的1-D信号中更多故障特征的提取。

CAM详细的实现过程如图1所示。在卷积运算F(·)中，每个信道的相关性与卷积核学习的时间相关性联系在一起。因此，CAM旨在通过显式建模通道之间的相互依赖关系，从而自适应区分特征的重要性，进而提高网络对不同特征的敏感性。首先通过使用全局平均池化，CAM将全局时间信息压缩为信道描述符，并生成信道统计向量。接下来，采用一种简单的选通机制来计算得到通道相关性和通道校准向量，而通道重新校准向量用于将特征Y重新校准，使得获得的特征M充分考虑了全局信息的引导，能够有效地突出更多的判别特征信息。CAM的最终输出为Y_CAM=Y+M。

2. 激励注意力模块(Excitation Attention Module)

图2 EAM的基本结构

当滚动轴承发生局部故障时，故障位置在接触的滚动轴承的其他部件上产生脉冲激励，并激励整个系统，以产生具有共振频率的高频衰减振动。因此，振动信号的故障激励信号段集中反映了故障的特性。

在这篇文章中，提出了EAM，使网络能够学习与故障相关的信号段，换句话说EAM的核心是与故障特征相关的故障脉冲的选择性学习。它不仅可以有效地提高特征学习的效率和可靠性，而且可以使网络的特征学习机制更具解释性。EAM的具体结构流程如图2所示，EAM通过卷积层聚合通道上所有激活图的特征信息，以定位故障相关的时间信号段。首先，EAM通过一个具有一个信道的1×1卷积层获得特征Y在时间信号上的映射s，然后，通过s获得时间权重向量，即s=σ(s)。时间权重向量用于将特征Y重新校准为N，EAM的最终输出为Y_EAM=Y+N。

3. 联合注意力模块(Joint Attention Module)

图3 JAM的基本结构

JAM是EAM和CAM的组合。它可以为输入Y的通道特征和时间序列特征赋予不同的权重。图3显示了JAM的基本结构。输入特征Y由EAM和CAM从不同角度依次自适应优化。因此，JAM的输出可以表示为

输入特征Y的每个位置在通道重标度和时间序列重标度中都具有很高的激活度。文中提出的重新校准可以鼓励网络学习更多的鉴别特征。

4. MA1DCNN架构

图4 MA1DCNN的总体结构(Conv_卷积运算;C_信道数目;S_卷积的步长)

MA1DCNN由骨干网、多个JAMs和故障分类层组成。骨干网络包括6个卷积模块，每个模块包含一个卷积层和一个ReLU函数。JAM直接地嵌入在每个卷积模块后面，以自适应地优化特性。最后，MA1DCNN采用全局平均池化层代替传统的全连接层，避免了过拟合问题。在分类层使用softmax函数给出最终的诊断结果。

04

实验结果

1. 数据描述

如图5所示，轮对轴承试验台主要由驱动电机、皮带传动系统、垂直加载装置、侧向加载装置、两个风扇电机和控制系统组成，在试验台架上装配了一个轴及其两个支承轴承。而轴承故障分布在内圈、外圈、滚动体和保持架中。振动数据来自固定在轴箱9点钟和12点钟方向上的四个加速度通道。采样频率为5120Hz。为了尽可能模拟轮对轴承在运行期间的各种复杂工作条件，在每个健康状态下，设置了56、146、236和272 kN的垂直载荷，并设置了两个横向载荷（0和20 kN）。训练运行速度分为60、90、120、150和180 km/h。图6显示了在垂直载荷为56 kN、横向载荷为0 kN和速度为120 km/h的情况下，来自轮对轴承12种健康状况的时间振动信号示例。

图5 轮对轴承试验台

图6 轮对轴承12个健康状态的原始振动信号

2. 验证设置

本文采用准确度、精密度和召回率三个性能指标，通过四重交叉验证来表示诊断性能。这三个指标通常是衡量分类绩效的综合指标，定义为：

其中，TP、FP、TN和FN分别指真阳性样本、假阳性样本、真阴性样本和假阴性样本的数量。准确度、召回率和精确度范围从0到1。值越大，故障诊断性能越好。并且在原始振动信号中加入高斯白噪声，以在实际操作中激发轮对轴承的强噪声干扰。

3. 注意模块数量对实验的影响

MA1DCNN-1、MA1DCCNN-2、…、和MA1DCN-6，其中名称中的结束数字表示JAM的数量。图7显示了六种MA1DCNN的相同精度，因此网络参数的少量增加是可以接受的。MA1DCNN-6的网络性能略低于MA1DCN-5，这是因为过多的注意力模块可能会导致过拟合问题。

图7 面对不同数量的JAM时MA1DCNN的性能(信噪比:−6dB)

4. EAM、CAM和JAM的有效性

对比1DCNN（不使用任何注意模块而视为基线）和仅使用EAM、CAM的MA1DCNMN实验说明EAM和CAM的有效性。对比前100轮迭代的准确度、精确度和召回率，MA1DCNN-EAM的准确度、精确度和召回率分别比1DCNMN提高了4.44%、4.94%和4.83%。这证明了EAM可以通过增强激励信号段的学习来有效地提高网络的特征学习能力，从而获得更好的性能。

图8 1DCNN和MA1DCNNEAM的性能比较(信噪比:−6dB)

图9表明与1DCNN相比， MA1DCNN-CAM的准确度、精确度和召回率分别比1DCN提高了11.21%、11.9%和12.51%。这表明，通过自适应优化不同激活图的特征，CAM可以有效地学习更多的鉴别故障特征，从而获得更好的诊断结果。

图9 1DCNN和MA1DCNNCAM的性能比较(信噪比:−6dB)

图10表明与1DCNN相比，MA1DCN-JAM的准确度、精确度和召回率分别提高了12.75%、14.31%和14.23%，且JAM在改善网络性能方面优于CAM和EAM。这表明CAM和EAM可以相互增强，从而更好地提高故障诊断性能。

图10 1DCNN和MA1DCNNJAM的性能比较(信噪比:−6dB)

5. 与最先进网络的比较

实验在三种噪声的场景下验证了MA1DCNN和八种先进网络的诊断性能(−6dB、0dB和6dB），用于模拟三种噪声条件。下表总结了实验结果。

首先，比较了MA1DCNN和四个基于CNN的网络的性能。当SNR=−6dB时，MA1DCNN仍获得83.21%的诊断准确率。与WDCNN相比，它有近10.71%的改进，WDCNN是四个基于CNN的网络中最好的。这表明MA1DCNN具有很强的抗噪声能力，无需任何额外的去噪预处理。此外，当SNR从0变化到-6时，Wen-CNN、ADCNN、WDCNN和ResCNN的诊断准确率分别下降了22.53%、20.40%、20.68%和21.87%，但MA1DCNN仅下降了14.42%，这进一步表明MA1DCCNN比其他四种网络具有更好的抗噪声能力。其次，比较了MA1DCNN和其余四个非CNN网络的性能。可以发现GRU在强噪声条件下的精度达到80.47%−6dB，远优于其他非基于CNN的网络，表明GRU可以有效地学习长时间信号之间的特征关系，但通过自适应捕获与故障信息相关的特征，MA1DCNN仍比GRU好约2%的抗噪声能力。

05

总结

本文提出了MA1DCNN，将注意力机制引入到端到端的深度学习方法中，用于轮对轴承故障诊断。通过使用注意模块，所提出的网络可以通过CAM对通道之间的相互依赖性进行建模，以自适应地优化每一层的特征，并通过EAM对时间信号段的相对重要性进行编码，以选择性地增强故障脉冲段的学习，从而获得更多的鉴别特征。并且将所提出的MA1DCNN应用于轮对轴承故障诊断，与八种最先进的网络相比，在准确性、精确度和召回率方面显示出显著优势，所提出的注意力模块还可以作为特征优化模块应用于现有的深度学习网络，以提高其性能。

扫描二维码关注我们