改進(jìn)密集連接卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法

牛銳祥， 丁 華， 施 瑞， 孟祥龍

(1. 太原理工大學(xué) 機(jī)械與運(yùn)載工程學(xué)院， 太原 030024； 2. 煤礦綜采裝備山西省重點(diǎn)實(shí)驗(yàn)室， 太原 030024)

滾動(dòng)軸承作為一種不可或缺的零部件廣泛應(yīng)用于各種機(jī)械設(shè)備中，其工作狀態(tài)往往影響著整個(gè)設(shè)備的生產(chǎn)運(yùn)行。在運(yùn)行工作中，滾動(dòng)軸承作為支撐件承受了傳動(dòng)系統(tǒng)的載荷，極易發(fā)生故障，其健康狀態(tài)直接影響到整臺(tái)設(shè)備乃至整條生產(chǎn)線的安全，因此，實(shí)現(xiàn)滾動(dòng)軸承的故障診斷迫切而有意義[1]。

傳統(tǒng)的故障診斷方法大多基于信號(hào)分析，如頻譜分析[2]，小波分析[3]等。上述人工提取特征的故障診斷方法需要一定的診斷經(jīng)驗(yàn)和先驗(yàn)知識(shí)，在信號(hào)分析過程中，可能會(huì)丟失重要特征，影響診斷結(jié)果。隨著工況的復(fù)雜多變及數(shù)據(jù)量增大，基于信號(hào)分析的故障診斷方法特征提取能力不強(qiáng)、識(shí)別率不高、抗噪性能弱、泛化能力低等不足顯現(xiàn)出來，難以完成實(shí)際中的故障診斷任務(wù)。

近年來，深度學(xué)習(xí)技術(shù)在故障診斷領(lǐng)域嶄露頭角，迎來了端到端的故障診斷新模式。文獻(xiàn)[4]搭建了第一層使用大卷積核的卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合AdaBN算法[5]，實(shí)現(xiàn)了滾動(dòng)軸承的故障診斷。文獻(xiàn)[6]將遺傳算法與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，自動(dòng)尋優(yōu)模型超參數(shù)，進(jìn)而實(shí)現(xiàn)了滾動(dòng)軸承的故障診斷。隨著網(wǎng)絡(luò)加深，退化問題顯現(xiàn)，影響網(wǎng)絡(luò)的訓(xùn)練，深度殘差網(wǎng)絡(luò)[7]的提出，有效解決了這個(gè)問題，并被廣泛應(yīng)用。文獻(xiàn)[8]將小波變換處理后的數(shù)據(jù)輸入到深度殘差網(wǎng)絡(luò)中進(jìn)一步提取特征并分類，實(shí)現(xiàn)了行星齒輪箱的故障診斷。文獻(xiàn)[9]搭建了具有自適應(yīng)參數(shù)整流線性單元的深度殘差網(wǎng)絡(luò)，完成了行星齒輪箱的故障診斷任務(wù)。文獻(xiàn)[10]搭建了改善信息流的深度殘差網(wǎng)絡(luò)，實(shí)現(xiàn)了滾動(dòng)軸承的故障診斷。文獻(xiàn)[11]將深度殘差網(wǎng)絡(luò)用于RV減速器的故障診斷，并在軸承數(shù)據(jù)集上測試，證明了深度殘差網(wǎng)絡(luò)的泛化能力。Huang等[12]提出了基于深度殘差網(wǎng)絡(luò)“進(jìn)化版本”的密集連接卷積網(wǎng)絡(luò)(DenseNet)，通過特征復(fù)用，提升學(xué)習(xí)效率，是目前最先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，在故障診斷領(lǐng)域有廣闊應(yīng)用前景[13]。上述方法雖然擁有良好的識(shí)別精度，但在信號(hào)含噪聲和載荷變化時(shí)診斷性能明顯下降。因此，增強(qiáng)模型在變工況下的故障診斷能力就顯得非常重要。文獻(xiàn)[14]搭建了包含多尺度卷積核的殘差網(wǎng)絡(luò)實(shí)現(xiàn)非平穩(wěn)條件下電機(jī)的故障診斷。文獻(xiàn)[15]引入注意力機(jī)制，對(duì)提取的特征加權(quán)處理，有效提高了行星齒輪箱故障診斷的識(shí)別率。文獻(xiàn)[16]將注意力機(jī)制融入多尺度特征提取的全卷積神經(jīng)網(wǎng)絡(luò)，提升了模型抗噪能力。通過多尺度和注意力的引入，模型的抗噪性能和泛化性能有了明顯提升。

基于以上分析，提出了改進(jìn)密集連接卷積網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。將多尺度卷積層和注意力機(jī)制融入密集塊中，增強(qiáng)了密集連接卷積網(wǎng)絡(luò)的特征提取能力。通過試驗(yàn)驗(yàn)證了提出方法的有效性，為滾動(dòng)軸承故障診斷提供了新思路。

1 基礎(chǔ)理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)

典型的卷積神經(jīng)網(wǎng)絡(luò)，包含卷積層、池化層、全連接層、BN層(歸一化層)和激活層。

卷積層通過不斷滑動(dòng)卷積核，依次對(duì)輸入層對(duì)應(yīng)區(qū)域進(jìn)行卷積運(yùn)算，獲得包含局部信息的特征。每個(gè)卷積核可以輸出提取到的一類特征。卷積核具有的參數(shù)權(quán)值共享優(yōu)勢，使卷積神經(jīng)網(wǎng)絡(luò)在提取特征的同時(shí)，相比全連接神經(jīng)網(wǎng)絡(luò)有更少的參數(shù)，減小模型過擬合風(fēng)險(xiǎn)。卷積運(yùn)算可表示為

(1)

池化層往往添加在卷積層之后，卷積層輸出的特征圖，輸入到池化層降采樣，降低數(shù)據(jù)維度。最大池化層和平均池化層是經(jīng)常使用的池化層，原理分別是輸出池化區(qū)域內(nèi)所有數(shù)值的最大值或者平均值，完成降采樣及少量特征提取。

BN層[17](歸一化層)通過引入均值和方差的運(yùn)算，使數(shù)據(jù)同分布、更穩(wěn)定，加快網(wǎng)絡(luò)訓(xùn)練速度，使模型收斂更快。BN的運(yùn)算可表示為

(2)

式中：μ為同時(shí)輸入的一組數(shù)值的均值；σ為這組數(shù)值的方差；ε為一個(gè)極小的數(shù)，防止分母為零。

激活函數(shù)可以增加模型的非線性表達(dá)能力，采用的激活函數(shù)包含：Relu6[18]和h-swish[19]，分別表示為

Relu6(x)=min (max(x,0),6)

(3)

(4)

1.2 密集連接卷積網(wǎng)絡(luò)

如圖1所示，密集連接卷積網(wǎng)絡(luò)作為目前最先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，在殘差網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)一步增強(qiáng)網(wǎng)絡(luò)層間的信息流動(dòng)，減輕梯度退化，抑制過擬合。密集連接卷積網(wǎng)絡(luò)包含密集塊和過渡層。密集塊有全新的連接方式，前續(xù)的所有層的輸出都作為該層的輸入，該層的輸出又作為后續(xù)所有層的輸入。殘差網(wǎng)絡(luò)的殘差塊包含兩個(gè)卷積層和跨層連接，密集連接卷積網(wǎng)絡(luò)的密集塊在兩個(gè)卷積層和跨層連接的基礎(chǔ)上，增加了層間連接。這些增加的層間連接，使輸入特征重復(fù)利用，確保最大的信息流動(dòng)。過渡層包含卷積層和池化層，主要作用是減小特征圖的尺寸。改進(jìn)密集連接卷積網(wǎng)絡(luò)過渡層僅有一個(gè)最大池化層。

圖1 密集連接卷積網(wǎng)絡(luò)Fig.1 Densely connected convolution network

1.3 注意力機(jī)制

注意力機(jī)制[20]源于人類看物體的生理行為。當(dāng)人類觀察物體時(shí)候，總是集中注意力到物體最明顯的特征。因此，引入通道注意力機(jī)制，對(duì)密集塊中經(jīng)過多尺度卷積運(yùn)算后的特征圖通道加權(quán)，增強(qiáng)表達(dá)能力。一般的通道注意力，如SENet[21]對(duì)輸入的特征圖采取全局平均池化(GAP)，得到一維向量(每個(gè)特征圖降采樣為一個(gè)值)，然后將一維向量輸入到全連接層，通過Softmax分類器輸出一個(gè)維數(shù)與特征圖通道數(shù)相等的一維向量，利用一維向量對(duì)該特征圖的每一個(gè)通道加權(quán)。但是，采用全連接層處理數(shù)據(jù)，伴隨維度的多次改變，在一定程度上增加模型參數(shù)且損失有用信息。因此，本文采用了不降維的局部跨通道的注意力模塊ECA[22]，并在原文ECA注意力模塊的基礎(chǔ)上添加了全局最大池化(GMP)，提取比單一池化更全面的特征。

如圖2所示，通過兩種池化方式提取通道特征，得到兩個(gè)維數(shù)和通道數(shù)相等的一維向量，然后通過一個(gè)大小為1×3的共享卷積核的卷積運(yùn)算得到兩個(gè)不同表達(dá)的一維向量，融合成一個(gè)一維向量后，對(duì)輸入的特征圖加權(quán)處理。試驗(yàn)結(jié)果表明，改進(jìn)ECA注意力模塊的引進(jìn)，有助于增強(qiáng)模型的變工況故障診斷能力。

圖2 改進(jìn)的ECA注意力模塊Fig.2 Improved ECA attention module

2 改進(jìn)密集連接卷積網(wǎng)絡(luò)的故障診斷

2.1 密集塊搭建

搭建的密集塊如圖3所示。在每一個(gè)卷積層中，都包含有1×5和1×3兩種卷積核，實(shí)現(xiàn)特征的多尺度提取。兩種卷積核提取的不同尺度的特征堆疊后，融合連接線輸入的特征。為了保證維度一致，連接上設(shè)置1×1大小的卷積核，實(shí)現(xiàn)連接線特征維度增加。融合后的特征通過改進(jìn)的ECA注意力模塊調(diào)整通道權(quán)重，增強(qiáng)表達(dá)能力。改進(jìn)密集連接卷積網(wǎng)絡(luò)中全部密集塊的卷積核數(shù)目參數(shù)見表1。卷積步長均為1，所有網(wǎng)絡(luò)層都采用了預(yù)激活的方式(BN→Relu→卷積層)降低模型復(fù)雜度，加快收斂。

圖3 密集塊Fig.3 Dense block

表1 密集塊參數(shù)Tab.1 Dense block parameters

2.2 改進(jìn)密集連接卷積網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)密集連接卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，第一層采用32個(gè)大小為1×64，步長為16的大尺度卷積核，使用大尺度卷積核可以在不加深網(wǎng)絡(luò)的前提下增大感受野，提取更多信息，抑制噪聲,降低維度。然后添加一個(gè)最大池化層，使特征圖尺寸縮小，減小輸入到密集塊的參數(shù)量。池化層主要用來降維，為了在降維過程中減少數(shù)據(jù)丟失，將所有最大池化層尺寸設(shè)置為1×2。在第一個(gè)池化層后，是網(wǎng)絡(luò)主要特征提取部分，由交替的密集塊和大小為1×2的最大池化層組成(該模型中，輸入的數(shù)據(jù)為一維振動(dòng)信號(hào)，考慮到振動(dòng)信號(hào)可能對(duì)區(qū)域內(nèi)的最大值更為敏感，選用最大池化層完成降采樣操作)，共計(jì)四個(gè)密集塊和三個(gè)最大池化層。在最后一個(gè)密集塊后采用全局平均池化層代替全連接層，引入Dropout策略，抑制過擬合。特征完成提取之后，通過Softmax分類器實(shí)現(xiàn)分類任務(wù)。原始的一維振動(dòng)信號(hào)作為模型的輸入，不需要數(shù)據(jù)預(yù)處理，完成端到端的故障診斷任務(wù)。涉及的參數(shù)設(shè)置如下：batch size為32，損失函數(shù)為交叉熵，Dropout為0.5,采用學(xué)習(xí)率衰減策略，初始學(xué)習(xí)率0.01，每50個(gè)epochs衰減為原來的1/10，優(yōu)化器為adam，訓(xùn)練epochs為200。

圖4 改進(jìn)密集連接卷積網(wǎng)絡(luò)Fig.4 Improved densely connected convolution network

2.3 網(wǎng)絡(luò)的前向傳播過程

首先對(duì)輸入的一維振動(dòng)信號(hào)進(jìn)行歸一化處理，通過大小為1×64，步長為16的大尺度卷積核提取較為全面的信息，利用Relu6激活函數(shù)增強(qiáng)非線性能力。通過大小為1×2的最大池化層，使特征圖縮小，減少參數(shù)量。交替堆疊的密集塊和池化層，通過密集塊中多尺度卷積層提取數(shù)據(jù)的不同尺度特征，利用改進(jìn)注意力機(jī)制對(duì)通道加權(quán)。在最后一個(gè)密集塊后采用全局平均池化層代替全連接層。利用Softmax分類器輸出10個(gè)概率值，對(duì)應(yīng)軸承的10種故障類別。

3 試驗(yàn)及對(duì)比分析

3.1 試驗(yàn)數(shù)據(jù)

選用公開的凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承數(shù)據(jù)集[23]驗(yàn)證改進(jìn)密集連接卷積網(wǎng)絡(luò)的故障診斷性能。該數(shù)據(jù)采集系統(tǒng)包含電機(jī)、編碼器、測功器等。使用電火花加工方式在SKF6205型電機(jī)軸承上人為加工出外圈故障、內(nèi)圈故障和滾動(dòng)體故障三種故障，每種故障包含7、14和21 mils的三種直徑的故障程度，所有故障包含0 hp、1 hp、2 hp、3 hp四種負(fù)載。試驗(yàn)數(shù)據(jù)分為驅(qū)動(dòng)端和風(fēng)機(jī)端，驅(qū)動(dòng)端的有12 kHz和48 kHz兩種采樣頻率，風(fēng)機(jī)端只有12 kHz的采樣頻率。

3.2 改進(jìn)注意力機(jī)制效果驗(yàn)證

常見注意力機(jī)制一般通過全局平均池化提取通道特征，而改進(jìn)密集連接卷積網(wǎng)絡(luò)采取的注意力機(jī)制通過兩種池化方式提取通道特征。設(shè)置對(duì)比試驗(yàn)，比較多池化注意力機(jī)制與單池化注意力機(jī)制對(duì)模型分類能力的影響。

試驗(yàn)選取了驅(qū)動(dòng)端，采樣頻率為12 kHz，負(fù)載為2 hp下的軸承數(shù)據(jù)，故障形式包含外圈故障、內(nèi)圈故障和滾動(dòng)體故障三種故障部位，又分為7 mils、14 mils和21 mils三種故障直徑，再加上正常狀態(tài)，一共有十種軸承狀態(tài)數(shù)據(jù)。每個(gè)狀態(tài)包含1 000 000個(gè)數(shù)據(jù)點(diǎn)，每個(gè)樣本長度設(shè)置為1 000，具體樣本組成信息見表2。在訓(xùn)練之前，通過半重疊樣本切割方式形成1 999個(gè)子樣本，選擇60%的樣本作為訓(xùn)練集，20%的樣本作為驗(yàn)證集，20%的樣本作為測試集。試驗(yàn)使用采用python編程語言，keras深度學(xué)習(xí)框架，在windows10系統(tǒng)、intel core i5處理器上運(yùn)行，計(jì)算機(jī)內(nèi)存為8 GB。

表2 樣本具體組成信息Tab.2 Sample composition information

對(duì)比試驗(yàn)結(jié)果見表3。當(dāng)提出方法采用單池化方式的注意力機(jī)制后，平均識(shí)別準(zhǔn)確率99.586%，略低于采用多池化方式。這說明多池化注意力機(jī)制相比單池化注意力機(jī)制對(duì)特征具有更強(qiáng)的識(shí)別與分類能力。

表3 兩種注意力機(jī)制的對(duì)比試驗(yàn)結(jié)果Tab.3 Comparative test results of two attention mechanisms %

3.3 對(duì)比方法驗(yàn)證

為體現(xiàn)改進(jìn)密集連接卷積網(wǎng)絡(luò)的故障診斷能力，將該方法分別與ResNet[24]，DenseNet和多尺度DenseNet方法比較。ResNet包含一個(gè)大尺度卷積核、四個(gè)殘差塊(第一、三殘差塊為步長為2的卷積殘差塊，第二、四殘差塊為恒等殘差塊)、一個(gè)全局平均池化層和輸出層。這里的DenseNet(只含1×3卷積核)和多尺度DenseNet(包含1×3和1×5兩種卷積核，但不含注意力機(jī)制)的參數(shù)與改進(jìn)密集連接卷積網(wǎng)絡(luò)完全一致。試驗(yàn)過程同“3.2節(jié)”。

表4顯示了對(duì)比方法的分類精度。這四種深度學(xué)習(xí)方法的分類識(shí)別率均達(dá)到99%，說明深度學(xué)習(xí)方法擁有極強(qiáng)的故障診斷能力。DenseNet相比ResNet，識(shí)別率有所提升，且多次試驗(yàn)的穩(wěn)定性增強(qiáng)，說明信息流動(dòng)的增強(qiáng)有助于提升模型的特征提取能力。當(dāng)模型添加多尺度卷積核后，模型識(shí)別率進(jìn)一步提高。采取單池化注意力機(jī)制的多尺度DenseNet，與不采取注意力機(jī)制的多尺度DenseNet識(shí)別能力持平，說明單池化注意力機(jī)制對(duì)多尺度密集模型的提升有限。而本文所提方法的識(shí)別率達(dá)到99.8%，優(yōu)于其他方法。

表4 不同方法的識(shí)別率Tab.4 Recognition rate of different methods %

3.4 抗噪性能分析

在實(shí)際生產(chǎn)中，由于環(huán)境噪聲干擾嚴(yán)重，采集到的振動(dòng)信號(hào)易受污染，這對(duì)模型的抗噪聲診斷能力提出了較高要求。因此，本文對(duì)不同方法在不同噪聲干擾下進(jìn)行了測試。試驗(yàn)數(shù)據(jù)同“3.2節(jié)”，對(duì)測試集分別添加了信噪比為0、3 dB、6 dB和9 dB的高斯白噪聲。

如圖5所示，改進(jìn)密集連接卷積網(wǎng)絡(luò)在0、3 dB、9 dB下的故障診斷識(shí)別率均高于其他方法。分析其原因，ResNet和DenseNet結(jié)構(gòu)相對(duì)簡單，雖然對(duì)干凈信號(hào)的特征提取表現(xiàn)優(yōu)異，但是在噪聲干擾下的診斷性能明顯低于其他方法。多尺度DenseNet提取信號(hào)的多尺度特征，抗噪性能有一定提升，但在0噪聲干擾下，識(shí)別率明顯下降，說明多尺度卷積核的改進(jìn)方法不能有效處理強(qiáng)噪聲數(shù)據(jù)。而添加了改進(jìn)注意力機(jī)制的改進(jìn)密集連接卷積網(wǎng)絡(luò)不僅在3 dB、6 dB、9 dB噪聲干擾下保持較高的識(shí)別率，且在0噪聲干擾下識(shí)別率達(dá)到94.87%，說明改進(jìn)的注意力機(jī)制增強(qiáng)了有用信息的提取，使模型有效提取到噪聲數(shù)據(jù)中的特征。上述試驗(yàn)結(jié)果表明，在沒有專門去噪的情況下，采取多尺度卷積核及改進(jìn)的注意力機(jī)制，有助于增強(qiáng)抗噪性能。

圖5 4種方法在不同信噪比下的識(shí)別率對(duì)比Fig.5 Comparison of the recognition rates of 4 methods under different signal-to-noise ratios

3.5 泛化性能分析

在實(shí)際生產(chǎn)中，設(shè)備負(fù)載時(shí)常變化，對(duì)模型的泛化能力提出較高要求。因此，本文以某種負(fù)載數(shù)據(jù)作為訓(xùn)練集，余下三種負(fù)載數(shù)據(jù)作為測試集，驗(yàn)證泛化能力。如0-1、0-2、0-3，表示以0負(fù)載下數(shù)據(jù)訓(xùn)練，分別對(duì)1、2、3負(fù)載下的數(shù)據(jù)進(jìn)行測試。訓(xùn)練樣本和測試樣本的劃分同“3.2”節(jié)。

如圖6所示，ResNet的識(shí)別率在負(fù)載發(fā)生變化時(shí)出現(xiàn)大幅下滑，識(shí)別率最高89.47%，最低74.19%，平均識(shí)別率83.79%，最大相差15.28%，表明ResNet的變負(fù)載診斷能力較差。而DenseNet在變負(fù)載診斷的最高識(shí)別率99.25%，最低識(shí)別率87.72%，平均識(shí)別率93.96%，最大相差11.53%，表明DenseNet相比ResNet無論是從識(shí)別率上還是穩(wěn)定性上都有所提升，充分說明增加網(wǎng)絡(luò)層間信息流動(dòng)有助于增強(qiáng)泛化能力。多尺度DenseNet相比單尺度DenseNet，雖然在有些負(fù)載變化下診斷識(shí)別率有一點(diǎn)降低，但平均識(shí)別率達(dá)到了94.93%，略高于單尺度DenseNet，這是因?yàn)槎喑叨菵enseNet提取了多尺度的有用特征，較DenseNet來說，提取的特征更為全面，泛化能力有一定提升。改進(jìn)密集連接卷積網(wǎng)絡(luò)，即在多尺度DenseNet中的密集塊添加改進(jìn)注意力機(jī)制后，最高識(shí)別率到達(dá)99.25%，最低識(shí)別率也有94.23%，平均識(shí)別率97.19%，最大相差5.02%，說明改進(jìn)的注意力機(jī)制進(jìn)一步挖掘出不同負(fù)載數(shù)據(jù)的內(nèi)部特征，增強(qiáng)泛化能力。綜上所述，改進(jìn)密集連接卷積網(wǎng)絡(luò)無論從識(shí)別率還是穩(wěn)定性上都優(yōu)于其他方法，證明了改進(jìn)的有效性。

圖6 4種方法在不同變負(fù)載下的識(shí)別率對(duì)比Fig.6 Comparison of the recognition rate of 4 methods under different variable loads

3.6 t-SNE可視化分析

為了更加清楚地表示模型中每個(gè)模塊對(duì)特征的提取能力，我們采用t-SNE[25]技術(shù)將輸入層，卷積層，四個(gè)密集塊輸出的特征降維并可視化，間接表現(xiàn)出模型各個(gè)網(wǎng)絡(luò)層或密集塊對(duì)特征的提取能力，其中不同顏色和數(shù)字表示不同故障類別,橫縱坐標(biāo)表示不同的維度。

如圖7所示，輸入層雜亂無章，各種特征混在一起。經(jīng)過卷積層后，各類標(biāo)簽的特征開始有了分散的趨勢，但特征提取能力有限，這也說明，單純使用一維卷積神經(jīng)網(wǎng)絡(luò)，效率不高。經(jīng)過密集塊1，各類特征開始分開，同類特征匯聚，因?yàn)槊芗瘔K含有兩個(gè)多尺度卷積層和改進(jìn)的注意力機(jī)制，特征提取效果明顯，證明了密集塊強(qiáng)大的特征提取能力。經(jīng)過密集塊2，0、1、3、6特征準(zhǔn)確提取出來，其余特征還有一些混亂，需要進(jìn)一步提取。經(jīng)過密集塊3和密集塊4，模型對(duì)特征的提取基本完成，各類特征基本完成了分離和匯聚。

(1) 輸入層

(2) 卷積層

(3) 密集塊1

(4) 密集塊2

(5) 密集塊3

(6) 密集塊4圖7 t-SNE降維可視化結(jié)果Fig.7 Dimension reduction visualization results of t-SNE

4 結(jié) 論

針對(duì)滾動(dòng)軸承工作環(huán)境中噪聲干擾、負(fù)載變化導(dǎo)致的模型變工況診斷難的問題、提出一種基于改進(jìn)密集連接卷積網(wǎng)絡(luò)的故障診斷方法。改進(jìn)密集連接卷積網(wǎng)絡(luò)在殘差網(wǎng)絡(luò)基礎(chǔ)上增加連接，強(qiáng)調(diào)特征復(fù)用，增強(qiáng)信息流動(dòng)；將單一卷積核改為多尺度卷積核，特征提取更全面；利用注意力機(jī)制對(duì)多尺度特征通道加權(quán)，大幅增強(qiáng)模型的變工況故障診斷能力。試驗(yàn)結(jié)果表明，相比其他深度學(xué)習(xí)方法，提出方法在理想工況、噪聲環(huán)境和負(fù)載變化情況下均擁有良好的故障診斷性能。