多域信息融合結合改進殘差密集網(wǎng)絡的軸承故障診斷

袁彩艷， 孫潔娣,2， 溫江濤， 時培明， 閆盛楠,2

(1. 燕山大學 信息科學與工程學院，河北 秦皇島 066004;2. 燕山大學 河北省信息傳輸與信號處理重點實驗室，河北 秦皇島 066004;3.燕山大學 河北省測試計量技術及儀器重點實驗室，河北 秦皇島 066004)

軸承是機械傳動設備的關鍵部件，其故障所造成的損失和影響巨大，準確診斷和預警軸承故障意義重大[1]。

軸承工作過程中產(chǎn)生的振動蘊藏著豐富的運行信息，基于振動信號分析的數(shù)據(jù)驅動類故障診斷方法近年來得到快速發(fā)展，目前軸承故障診斷已全面進入智能化階段。傳統(tǒng)智能診斷方法主要包括數(shù)據(jù)特征提取、篩選及故障類別判斷兩步。特征提取中多采用時域、頻域、時頻域以及變換域[2-5]方法；故障類別判斷則通常采用支持向量機、模糊推斷及神經(jīng)網(wǎng)絡[6-8]等人工智能方法。但該類方法存在過度依賴復雜信號處理方法與診斷經(jīng)驗、人工特征提取主觀性較強、不同應用的差異性較大、方法的通用性較差、分類采用的淺層模型無法從少量特征中獲取全面反映復雜故障的信息等不足之處。

近年來，深度學習理論為解決傳統(tǒng)方法的不足提供了有力支撐，滾動軸承故障診斷研究也進入新的階段。學者們[9]構建了多種深度神經(jīng)網(wǎng)絡模型，采用深度學習方法對故障數(shù)據(jù)進行充分學習，挖掘大量數(shù)據(jù)內部隱藏的非線性關系，實現(xiàn)了對輸入信號深層次特征的自適應提取，擺脫了對專業(yè)知識及診斷經(jīng)驗的過度依賴，更好地完成了故障特征提取與故障類型識別的協(xié)同處理。隨著深度卷積網(wǎng)絡(convolutional neural networks, CNN)在圖像處理等領域顯現(xiàn)出的巨大效果，學者們將其引入故障診斷領域并進行了深入研究。楊平等[10]針對滾動軸承故障，提出利用卷積膠囊網(wǎng)絡對原始數(shù)據(jù)進行學習并實現(xiàn)故障分類。Lu 等[11]通過分段組合的方式將原始監(jiān)測信號映射到二維矩陣中，經(jīng)深度CNN網(wǎng)絡自動學習高維特征表示，實現(xiàn)軸承的故障診斷。Ince等[12]提出利用一維CNN將特征提取和分類集成在一起，完成實時軸承故障診斷。Li等[13]提出集成深度神經(jīng)網(wǎng)絡和CNN相結合的軸承故障診斷模型，完成對軸承的故障診斷。Liu等[14]提出將卷積自編碼和CNN相結合模型，前者用于原始信號的降噪，后者用于故障診斷。Chen等[15]提取齒輪箱各種故障狀態(tài)信號的時、頻域特征作為二維CNN網(wǎng)絡的輸入。

通過分析文獻發(fā)現(xiàn)，當前基于深度神經(jīng)網(wǎng)絡的診斷方法多數(shù)都是通過構建復雜的網(wǎng)絡模型、不斷加深網(wǎng)絡深度、層與層之間增加多種處理來實現(xiàn)診斷能力的提升，雖然提高了診斷準確率，但是隨著網(wǎng)絡層數(shù)的增加，此類深度結構也凸顯出不少問題[16]：一方面容易導致梯度彌散或爆炸問題，使網(wǎng)絡訓練非常困難；另外，深度結構造成網(wǎng)絡退化，訓練時的損失不降反升，導致樣本的訓練誤差增大，識別準確率降低；而且大規(guī)模深度網(wǎng)絡的訓練需要消耗大量的系統(tǒng)資源，這些問題都極大地限制了CNN在故障診斷領域的深入發(fā)展。最近，由He等[17]提出的殘差網(wǎng)絡簡化了學習過程，增強了梯度傳播，減輕了網(wǎng)絡退化，通過在框架中引入快捷連接，允許數(shù)據(jù)信息直接在整個網(wǎng)絡中傳播，可以更好地提取出高層次的代表性特征。Peng等[18]提出將一維殘差網(wǎng)絡用于高速列車輪軸承故障診斷。雷亞國等[19]構建領域共享深度殘差網(wǎng)絡從源自不同機械裝備的監(jiān)測數(shù)據(jù)中提取遷移故障診斷特征，然后在深度殘差網(wǎng)絡的訓練過程中施加領域適配正則項約束，形成深度遷移診斷模型。Zhang等[20]基于原始時域信號利用深度殘差網(wǎng)絡進行故障特征提取。

目前基于深度神經(jīng)網(wǎng)絡學習的數(shù)據(jù)驅動類故障診斷方法通過挖掘采集信號的深度信息從而判斷故障類型。傳感器監(jiān)測的軸承振動信號通常是時域信號，為了能夠更加凸顯不同故障的差別，從多角度、多變換域對原始信號進行分析，更加有利于提高故障識別的準確率。學者們也研究了多種信號處理方法。Zhao等[21]利用快速傅里葉變換從一維振動信號中提取頻率特征，再將其轉化為二維頻譜圖作為殘差網(wǎng)絡的輸入。Ma等[22]將振動信號進行小波后，每個子帶系數(shù)作為殘差網(wǎng)絡的輸入。Appana等[23]從振動信號中提取包絡譜作為CNN的輸入。Sadoughi等[24]在干草打包機滾動軸承故障診斷中，對振動信號進行譜峭度分析結果、包絡分析和快速傅里葉變換結果組成了多通道特征作為CNN的輸入。Wang等[25]研究了原始信號、快速傅里葉變換、連續(xù)小波變換和重構相空間對深度卷積網(wǎng)絡性能的影響。Mao等[26]采用了由原始信號、希爾伯特-黃變換(Hilbert-Huang Transform，HHT)信號和傅里葉變換結果組成三通道數(shù)據(jù)。

不同變換域處理方法能夠體現(xiàn)故障的差異性信息，本文提出一種多變換域處理方法，將原始信號、包絡譜轉換及離散余弦S變換的結果組成多通道信號，這樣輸入信號同時包含了時域、頻域和時頻域的多域信息，然后輸入到殘差密集模型中進行深度學習，更好的挖掘隱藏的故障信息。考慮到隨著網(wǎng)絡深度的增加，特征數(shù)量的增多，不同特征對信息的傳遞也存在差異，本文提出將學習到的特征進行注意力機制分配，實現(xiàn)特征的差異性劃分，最后再利用softmax進行故障識別。

1 多通道變換域故障特征描述

滾動軸承原始振動信號僅含時域信息，為了診斷模型的輸入盡可能包含綜合信息，本文提出時域、頻域和時頻域信號組合的多變換域信號作為輸入。

1.1 包絡譜信息提取

當旋轉的滾動軸承出現(xiàn)局部損傷時，會產(chǎn)生特定頻率的振動，因此頻譜分析一直是旋轉機械振動信號分析中的重要內容。包絡譜方法可以通過頻率峰值提供故障部件的位置，并且能將高頻共振解調為低頻故障頻率，可以為軸承故障診斷提供良好的頻率分辨率[27]。本文包絡譜計算方法基于希爾伯特變換，分為兩步：

(1)該結構中希爾伯特變換

(1)

x(t)的解析信號的模為

(2)

(2)利用傅里葉變換得到包絡譜

E(t)=|FT[xht(t)]|

(3)

研究表明，包絡譜的振幅和頻率峰值分別表示滾動軸承故障的嚴重程度和位置特性,因此可以提取出不同特征來對滾動軸承故障模式進行分類。

1.2 基于離散余弦S變換的信息描述

S變換繼承了短時傅里葉變換和小波變換的優(yōu)點，它使用頻率可調、形狀可變的窗函數(shù)，在時頻雙方面進行分解，具有時頻聚焦性和時頻多分辨率特點，但其冗余地在低頻帶與高頻帶存儲了同等量的數(shù)據(jù)；離散正交S變換(discrete orthogonal stockwell transform, DOST)則致力于在時頻域實現(xiàn)非冗余多分辨率處理，同時降低計算復雜度。DOST定義為[28]

(4)

用離散余弦變換(discrete cosine transform, DCT)代替公式離散傅里葉變換(discrete fourier transform, DFT)可以得到離線余弦S變換(discrete cosine stockwell transform，DCST)

(5)

利用二元分區(qū)對頻率空間的劃分進行調整。對于長度為2N的信號，每個分塊頻率的寬度定義為

n1=1

(6)

ni=2i-2, 2≤i≤N-1

(7)

研究表明，DCST的運算時間與消耗的內存較少，可以將軸承原始信號在時域中散布散亂的能量在頻域中集中起來，并對軸承原始信號的低頻帶和高頻帶進行不同周期的采樣。因此DCST可以對軸承原始信號的不同頻率進行良好的檢測和分析。

2 改進殘差密集網(wǎng)絡的故障特征學習

隨著網(wǎng)絡深度的增加，卷積神經(jīng)網(wǎng)絡的訓練效果顯著下降，而殘差網(wǎng)絡利用殘差塊內的跳躍連接將輸入和輸出進行逐元素相加，在不增加網(wǎng)絡額外參數(shù)和計算量的情況下，大大加快了訓練速度，改善了訓練效果，并且可以解決由于層數(shù)加深帶來的退化問題。因此本文提出將殘差塊作為軸承故障診斷的基本結構，并針對故障特征的差異提出將特征進行重要性區(qū)分，實現(xiàn)網(wǎng)絡模型的改進，從而進一步提高故障診斷的識別準確率。

2.1 基于殘差密集塊的特征提取

為了有效地從多通道信號中學習故障特征，模型核心是構建一個深層次的一維網(wǎng)絡，對信號特征進行逐層學習和抽象，但是簡單地堆疊殘差塊組成鏈式結構，在深度網(wǎng)絡的傳輸過程中很可能會丟失學習到的有效故障特征，本文提出將殘差學習模塊通過密集方式進行連接，構成如圖1所示的殘差密集結構。

圖1 殘差密集結構示意圖Fig.1 Schematic of residual dense structure

圖中殘差密集塊由多個卷積層、批量標準化、激活函數(shù)和快捷連接組成。它改善了通過網(wǎng)絡的信息流，緩解了梯度消失問題；而且由于重用前一個卷積映射，避免了重新學習冗余特征，為后面層提供豐富的振動信號細節(jié)。

設x為網(wǎng)絡輸入，經(jīng)過卷積1提取低級特征fea(x)，fea(x)再經(jīng)過卷積2提取到高級特征fea1(x)，低級特征fea(x)和高級特征fea1(x)通過并聯(lián)實現(xiàn)密集連接得到fea2(x)，卷積3對輸入X進行線性運算得到fea3(x)，fea2(x)和fea3(x)通過串聯(lián)形成剩余塊結構。輸出即為

y={σr[σr(w1*x+b1)*w2+b2∪σr(w1*x+b1)]}+

[σr(w3*x+b3)]

(8)

式中：w1,b1,w2,b2,w3,b3分別為卷積1、卷積2和卷積3待訓練的參數(shù)；σr為激活函數(shù)Relu。

經(jīng)過堆疊的多級殘差密集塊可以提取出大量的特征，但是這些特征并不是包含同等重要的故障信息，因此本文引入注意力機制對特征進行處理，實現(xiàn)對特征的差異性劃分。

2.2 優(yōu)化卷積結果的注意力機制

對于經(jīng)殘差密集網(wǎng)絡學習后獲得的大量特征，為了提高后續(xù)網(wǎng)絡的分類效率，引入卷積注意力模塊(convolutional block attention module，CBAM)[29]實現(xiàn)特征優(yōu)化選擇。CBAM主要通過串聯(lián)通道注意力和空間注意力組成，通過對特征權重的重新分配以及定位實現(xiàn)自適應細化效果，CBAM結構如圖2所示。

圖2 CBAM結構圖Fig.2 Schematic of CBAM

2.2.1 通道特征重要性區(qū)分

通道注意力圖可以反映不同通道特征的重要性。計算過程如下：

Mc(F)=σ{FMLP[Avgpool(F)]+FMLP[MaxPool(F)]}=

(9)

式中：W0∈Rc/r×c，W1∈Rc×c/r，W0后使用了Relu作為激活函數(shù)；σ為Sigmoid函數(shù)。為了表達的簡潔，后文將通道注意力函數(shù)簡寫為fc。

2.2.2 重要位置特征的區(qū)分

空間注意力將注意力聚焦在特征的空間位置，計算過程如下：

Ms(F′)=σ{f1*7{[Avgpool(F′);Maxpool(F′)]}}=

(10)

式中：σ為sigmoid函數(shù)；f1*7為大小為1*7的卷積。為了表達的簡潔，后文將空間注意力計算函數(shù)簡寫為fs。

通過對特征進行通道及位置重要性的區(qū)分，實現(xiàn)后續(xù)處理中特征的差異性學習，提高學習效率。

3 本文提出的故障識別方法

針對深度卷積網(wǎng)絡在提取特征方面的局限性，本文提出一種殘差密集網(wǎng)絡結合注意力機制的軸承故障診斷方法。本文構建的診斷網(wǎng)絡包括多通道信息預處理、三級殘差密集單元、帶有CBAM的殘差密集單元、平鋪層、全連接層及softmax分類層。網(wǎng)絡結構框架及信號處理過程如圖3所示。

圖3 本文方法的網(wǎng)絡結構及處理框圖Fig.3 Schematic of proposed method

該模型主體由殘差密集塊結合卷積注意力處理構成，實現(xiàn)從多通道數(shù)據(jù)中學習豐富的故障特征并對特征的權重進行劃分。首先原始信號進行多域變換后與原始數(shù)據(jù)一起構成多通道信號作為輸入；其次堆疊多級殘差密集塊，利用其強大的特征自學習能力從多通道信號中自適應提取故障特征；再次利用CBAM提高網(wǎng)絡對關鍵特征的注意力；最后通過softmax完成分類，識別不同類型故障模式。

3.1 多通道數(shù)據(jù)輸入

為了模型學習到的特征更加綜合、全面，本文將時域、頻域、時頻域信息進行組合。首先將采集到的滾動軸承原始數(shù)據(jù)進行離散余弦S變換和包絡譜提取，然后將變換結果與原始信號一起組合成多通道信號作為軸承故障診斷模型的輸入。設組合信號為xi，利用步長為1，1*3大小的卷積核進行特征提取，可得淺層矢量特征

(11)

式中，θinp=(kinp,binp)為待訓練參數(shù)。

3.2 基于CBAM的殘差密集結構

CBAM原則上可以集合到任何CNN架構中，實現(xiàn)良好的注意力區(qū)分。在充分考慮其功能及作用的基礎上，本文提出在最后一級殘差密集單元中加入CBAM實現(xiàn)對大量特征的差異性劃分。

(12)

式中，w1,b1,w2,b2,w3,b3分別為卷積1、卷積2和卷積3待訓練的參數(shù)。

(13)

(14)

3.3 故障的分類識別

圖4為本文軸承故障診斷的處理過程。

圖4 本文方法處理過程Fig.4 Flowchart of the proposed method

網(wǎng)絡在訓練期間，根據(jù)梯度函數(shù)逐漸更新權重和偏差，反向傳播算法用于監(jiān)視學習過程并調整每層參數(shù)，計算每次網(wǎng)絡迭代的誤差。利用交叉熵損失函數(shù)對估計的概率分布和目標概率分布的誤差進行評估。每次訓練的交叉熵損失函數(shù)由前向計算得到，利用誤差反向傳播算法進行網(wǎng)絡參數(shù)更新，直到最大訓練步數(shù)，同時利用小批量隨機梯度下降優(yōu)化算法降低訓練過程中交叉熵損失函數(shù)的值，使估計分布和目標分布越來越接近，從而逐步提高模型的預測精度。

4 試驗結果與分析

4.1 美國凱斯西儲大學數(shù)據(jù)集概況

本文數(shù)據(jù)集來自美國凱斯西儲大學的軸承數(shù)據(jù)中心[30]。凱斯西儲大學的測試設備包括兩個電機，一個耦合器和其他設備，包含三個加速度計來收集振動數(shù)據(jù)，包括驅動端軸承殼體垂直方向的加速度計、風扇端軸承殼體垂直方向的加速度計以及電機支撐基板上的加速度計。其中驅動端軸承數(shù)據(jù)采樣頻率為12 kHz，模擬了四種狀態(tài)類型包括正常狀態(tài)，滾動體故障，內圈故障，外圈故障，其中滾動體，內圈，外圈又使用了不同損傷直徑下(0.177 8 mm,0.355 6 mm,0.533 4 mm)下采樣。

本文采用驅動端軸承殼體垂直方向的加速度計收集到的振動信號，將故障類型定義為內圈故障，并調整工作負載和損傷直徑。在三種損傷直徑(0.177 8 mm,0.355 6 mm,0.533 4 mm)和三種負載(0,735 W,1 470 W)下，構造了9類，再加上正常狀態(tài)下三種負載(0,735 W, 1 470 W)下的工作狀態(tài)，共構造了12類單故障(表示為0～11)，詳細描述如表1所示。

表1 數(shù)據(jù)集識別狀態(tài)及分類標簽

每類故障有100個樣本，其中80%樣本作為訓練數(shù)據(jù)集。10%樣本作為驗證集，10%樣本作為測試集，每個樣本包含1 024點原始時間信號。

4.2 網(wǎng)絡結構參數(shù)及診斷結果

在構造的數(shù)據(jù)集上按照本文方法進行多次數(shù)據(jù)處理，采用分類正確樣本數(shù)與測試總樣本數(shù)的比值來衡量總分類準確率，統(tǒng)計多次試驗結果的平均識別準確率為99.24%。試驗中診斷模型的具體參數(shù)如表2所示。

表2中卷積核大小為1*3，原因是1*3卷積核濾波器是中心，左/右等不同方向模式捕獲的最小核，并且使用小卷積核濾波器會增加網(wǎng)絡內部的非線性，從而使網(wǎng)絡更具鑒別力。每增加一塊殘差密集塊，特征映射的數(shù)目以2m(m=16)速率增加。每塊殘差密集塊后都加一層步長為2的池化層來減小訓練參數(shù)。為了避免數(shù)據(jù)的過度擬合，在全連接層F2后采用dropout，在網(wǎng)絡中以0.5的比例進行分層訓練。

表2 本文網(wǎng)絡參數(shù)表

本文方法某次分類結果的混淆矩陣，如圖5所示。圖5中橫坐標為預測數(shù)據(jù)標簽，縱坐標為真實數(shù)據(jù)標簽，圖中對角線表示正確分類的樣本數(shù)量，其余每一塊顯示出錯分為其他類別的樣本數(shù)量。本文方法中分類準確率較高，只將少部分樣本分類錯誤。

圖5 某次分類結果統(tǒng)計的混淆矩陣Fig.5 Confusion matrix of statistics of a certain classification result

4.3 主要參數(shù)值的選擇與其影響

構建的診斷網(wǎng)絡中，選擇合適的參數(shù)可以在保證較高分類正確率的前提下加快模型的訓練速度，研究中發(fā)現(xiàn)網(wǎng)絡的深度和批處理樣本大小都會對故障診斷準確度和耗費時間產(chǎn)生較大影響，因此后文將對這些參數(shù)進行深入研究并分析其對診斷結果的影響。

4.3.1 網(wǎng)絡深度的影響

理論上，網(wǎng)絡結構越深誤差越小，準確率越高。但與此同時網(wǎng)絡復雜度也會隨之增加，訓練更困難。綜合目前軸承診斷研究成果中通常采用的網(wǎng)絡層數(shù)，并且考慮計算復雜度和實時故障檢測的要求，本文設計了四種不同深度的殘差密集結構，即殘差密集卷積塊個數(shù)分別為2,3,4,5，文中分別記為Ⅱ，Ⅲ，Ⅳ，Ⅴ級殘差密集單元。為了減小隨機因素的影響，每種方法的最終統(tǒng)計結果為10次重復試驗結果的平均值。對不同深度的網(wǎng)絡結構各自進行十次重復診斷試驗，試驗統(tǒng)計結果如圖6所示。

圖6 不同深度網(wǎng)絡的識別準確率Fig.6 Recognition accuracy in different depth networks

從圖6中可以看出隨著網(wǎng)絡深度的增加，識別準確率也在增加，但是網(wǎng)絡深度增加到一定程度，識別準確率并沒有提高太多。下面分別從識別準確率、標準差、執(zhí)行時間進行分析，統(tǒng)計結果如表3所示。

表3 不同網(wǎng)絡結構的平均識別準確率統(tǒng)計結果

從平均準確率統(tǒng)計結果可以看出網(wǎng)絡結構Ⅲ、Ⅳ級之間的平均準確率相差較大，而Ⅴ級比Ⅳ級的平均識別準確率僅高出0.72%；從執(zhí)行一次批量樣本所需時間統(tǒng)計結果可以看出，Ⅴ級所需時間較多且標準差與Ⅳ相比較大。綜合分析，本文確定了Ⅳ級深度的殘差密集網(wǎng)絡實現(xiàn)對軸承的故障診斷。

4.3.2 批處理樣本數(shù)目的影響

深度學習的訓練樣本數(shù)目較多，通常將訓練樣本劃分成多個批次進行參數(shù)更新，樣本規(guī)模較大時依然可以實現(xiàn)收斂。因此，每次批處理樣本的數(shù)目對于診斷的準確率有重要意義。若批處理樣本數(shù)目較少，則訓練時間增加，且易陷入局部最優(yōu)；若批樣本數(shù)目較多，則無法保證參數(shù)的最佳優(yōu)化方向。本文研究了批處理樣本數(shù)目分別為16，32，64，128時對診斷準確率的影響，對不同批處理樣本量各自進行10次重復試驗，試驗統(tǒng)計結果如圖7所示。

圖7 不同批量樣本數(shù)目識別準確率曲線Fig.7 Identification accuracy of different batch sizes

從圖7中可以看出批處理樣本數(shù)目為64時，識別準確率最高，且穩(wěn)定性較好。表4為統(tǒng)計結果。

表4 不同批處理樣本試驗統(tǒng)計結果

由表4統(tǒng)計結果可以得出，批處理樣本數(shù)目為64時損失最小的，且處理時間也在合理范圍內。綜上分析，本文中批處理樣本數(shù)目設為64。

5 本文方法在數(shù)據(jù)集上的識別效果及分析

本文診斷方法可以分為兩個主要步驟：多通道信號輸入及具有注意力區(qū)分的殘差密集結構。目前基于深度神經(jīng)網(wǎng)絡學習的故障診斷方法中，輸入的多數(shù)為原始數(shù)據(jù)，本文為了從多方面挖掘故障信息，輸入的是多種變換結果構成的數(shù)據(jù)；另一方面，識別結構采用了三級密集單元與一級卷積注意力機制結合的殘差密集單元，這里將從不同輸入數(shù)據(jù)及不同網(wǎng)絡結構兩方面進行診斷效果的比較。

5.1 不同輸入數(shù)據(jù)的診斷結果比較

首先研究不同輸入對故障識別效果的影響。圖8為不同輸入數(shù)據(jù)得到的識別準確率結果。

從圖8可以看出，采用相同的診斷網(wǎng)絡，本文提出的多域融合信息輸入方法比單一數(shù)據(jù)輸入的平均準確率高，并且本文方法的不同試驗中識別準確率波動較小，有較好的穩(wěn)定性，單次識別準確率的可信度高，并且平均損失也是最小。某次試驗中每一類的識別準確率統(tǒng)計結果，如圖9所示。

圖8 不同輸入數(shù)據(jù)的模型識別準確率Fig.8 Identification accuracy of different inputs

圖9 某次試驗不同輸入數(shù)據(jù)的12類識別準確率對比Fig.9 Accuracy comparison of 12 classes input in an experiment

5.2 不同網(wǎng)絡結構的診斷結果比較

本文構造的改進殘差密集診斷網(wǎng)絡主要包含多個殘差密集單元及注意力機制操作，前文在確定網(wǎng)絡結構時已研究了網(wǎng)絡結構差異的影響，此處主要針對網(wǎng)絡加入CBAM后及CBAM的位置對結果的影響，輸入統(tǒng)一為多通道數(shù)據(jù)，比較的網(wǎng)絡結構分為四類：

①四級殘差密集單元(即表3中的Ⅳ級結構)；

②一級密集殘差單元+一級CBAM殘差密集單元+二級殘差密集單元(記為：1+1c+2級)；

③二級密集殘差單元+一級CBAM殘差密集單元+一級殘差密集單元(記為：2+1c+1級)；

④本文方法(三級殘差密集單元+一級CBAM殘差密集單元)。

對上述網(wǎng)路結構分別進行10次重復試驗，為了更加清晰地顯示每個網(wǎng)絡結構不同的分類效果，利用t-SNE對某次試驗的分類結果進行可視化。結果如圖10所示。

圖10 方法①～方法④分類結果圖Fig.10 Method ①-④ classification result

從圖10可以看出方法②、方法③的分類效果較差，各個類別之間重疊較為嚴重，方法①分類效果較好，但不如方法④。因此可以得出將CBAM與第四塊殘差密集塊結合后試驗效果最佳。各個試驗的統(tǒng)計結果見表5。

表5 不同模型結構試驗統(tǒng)計結果

由表5可知本文結構與其他結構相比，平均識別準確率是最高的；多次試驗結果的標準差最小。雖然處理時間稍長，但也在合理范圍之內。某次試驗中每一類的識別準確率統(tǒng)計結果，如圖11所示。

圖11 某次試驗不同模型12類識別準確率比較Fig.11 12 kinds of recognition accuracy with different models in an experiment

5.3 本文方法與常用方法的對比

本文在傳統(tǒng)模型的基礎上進行了改進，提出將原始時域信號及變換域信息構成多通道信號輸入深度網(wǎng)絡模型，并將CBAM引入到殘差密集網(wǎng)絡模型中，增加了數(shù)據(jù)的多樣性并將提取的特征進行自適應細化，從而提高了軸承故障識別準確率。為了驗證本文提出方法的有效性，將其與其他較為常用的深度網(wǎng)絡模型的診斷效果進行比較。目前軸承故障診斷中較為常用的模型有卷積神經(jīng)網(wǎng)絡、卷積自編碼，殘差網(wǎng)絡三種，其中卷積自編碼的泛化性和魯棒性較好。為了與本文方法的結構保持高度一致性，用于對比的各個模型的結構，如表6所示。

表6 常用深度學習模型結構表

每種方法各自進行10次重復試驗得到的結果，如圖12所示。

圖12 與傳統(tǒng)方法的識別準確率對比Fig.12 Accuracy comparison with common methods

觀察到本文方法的平均準確率是最高的并且波動小，有較好的穩(wěn)定性，單次識別準確率的可信度高。多次試驗的各項統(tǒng)計結果見表7。

表7 與常用方法對比試驗統(tǒng)計結果

6 結 論

針對原始軸承數(shù)據(jù)包含的信息較為單一、深度模型提取的特征對信息傳遞有差異的問題，本文提出將時域、頻域、時頻域多域融合信號作為輸入，可以使輸入包含較為全面的信息；卷積注意力處理可以實現(xiàn)對殘差密集塊提取的特征權重進行重要性區(qū)分。采用凱斯西儲大學數(shù)據(jù)集驗證了本文提出方法可以有效提高軸承故障診斷識別準確率。