肖 安，李開宇，范佳能，仲志強(qiáng)，賈銀亮

(1.南京航空航天大學(xué) 自動(dòng)化學(xué)院，南京 211100；2.南瑞集團(tuán)有限公司，南京 211106)

0 引言

目前在旋轉(zhuǎn)機(jī)械設(shè)備中，滾動(dòng)軸承是易損部件之一，對(duì)軸承的診斷是目前研究的熱點(diǎn)[1]。在傳統(tǒng)的軸承故障診斷中，對(duì)采集到的振動(dòng)信號(hào)使用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等信號(hào)處理技術(shù)，獲取故障信號(hào)特征[2]，但這些方法只是對(duì)信號(hào)進(jìn)行了處理，并未得到確切的故障診斷結(jié)果。

近年來，在智能故障診斷領(lǐng)域，基于數(shù)據(jù)驅(qū)動(dòng)的方法逐漸成為主流[3]，H.S. Kumar等[4]采用KNN分類器和經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行了故障診斷研究。Song等[5]使用經(jīng)驗(yàn)?zāi)B(tài)和小波變換相結(jié)合的方式，將振動(dòng)信號(hào)進(jìn)行分解，從而實(shí)現(xiàn)對(duì)滾子軸承的故障診斷?；跀?shù)據(jù)驅(qū)動(dòng)的方法雖然具有較好的診斷性能[6]，但依賴于先驗(yàn)知識(shí)和經(jīng)驗(yàn)，對(duì)于不同的故障類型所使用的的方法也不一致。

基于深度學(xué)習(xí)的方法在軸承故障診斷中的快速發(fā)展[7]，解決了傳統(tǒng)方法的不足。Wang等[8]將軸承的一維振動(dòng)信號(hào)轉(zhuǎn)換為二維灰度圖像，作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)的輸入，在不同工況下的軸承故障診斷下取得了較好的效果。Gao等[9]提出一種新的弱故障特征提取與診斷方法，該方法由LSTM和多通道連續(xù)小波變換(MCCWT)構(gòu)成，在軸承弱故障特征的情況下進(jìn)行診斷。Chen等[10]提出一種基于自編碼器的徑向神經(jīng)網(wǎng)絡(luò)軸承故障診斷方法，提高了在噪聲中進(jìn)行診斷的準(zhǔn)確率。Liang等[11]使用殘差網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)層的融合。雖然深度學(xué)習(xí)在故障診斷領(lǐng)域取得了較大的成功，但對(duì)于軸承診斷方面仍存在一些不足[12-13]，對(duì)于深度學(xué)習(xí)來說，網(wǎng)絡(luò)結(jié)構(gòu)越深，意味著能夠提取到的特征就越多，但同時(shí)帶來的訓(xùn)練參數(shù)也越多，訓(xùn)練時(shí)梯度爆炸和消失的問題，同時(shí)無法對(duì)存在噪聲的信號(hào)進(jìn)行精確診斷[14]。

針對(duì)以上問題，Sanghyun Woo等[15]人提出了卷積注意力機(jī)制模塊(CBAM，convolutional block attention module)，該模塊沿著兩個(gè)單獨(dú)的維度(通道和空間)依次推斷注意力圖，然后將注意力圖乘以輸入特征圖，以進(jìn)行自適應(yīng)特征細(xì)化，并且CBAM模塊是一個(gè)輕量級(jí)通用模塊，可無縫集成到任何網(wǎng)絡(luò)架構(gòu)中。這能夠提取在復(fù)雜環(huán)境中收集到的軸承故障信號(hào)的深層特征，提高診斷的準(zhǔn)確率。李俊等[16]針對(duì)不平衡數(shù)據(jù)集進(jìn)行故障診斷的研究存在局限性，提出了一種將基于雙階段注意的遞歸神經(jīng)網(wǎng)絡(luò)(DA-RNN)和卷積塊注意模塊(CBAM)相結(jié)合的滾動(dòng)軸承故障診斷模型。該方法相比較于其他智能診斷方法，具有較高的性能，表明該方法在不平衡數(shù)據(jù)條件下的滾動(dòng)軸承故障診斷中具有廣闊的應(yīng)用前景。田科位等人[17]將殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)并融合注意力機(jī)制，對(duì)變負(fù)載下的軸承進(jìn)行識(shí)別。胡向東[18]等人將擠壓注意力機(jī)制與ResNeXt結(jié)合，對(duì)存在噪聲的軸承信號(hào)進(jìn)行診斷，能夠更好的集中軸承的故障特征。

本文受卷積注意機(jī)制模塊的啟發(fā)，將通道注意力與空間注意力和殘差網(wǎng)絡(luò)進(jìn)行融合，并對(duì)通道注意機(jī)制進(jìn)行改進(jìn)，將傳統(tǒng)的通道注意機(jī)制模塊中的全連接層改為卷積層，通過卷積層的局部特征提取，獲取到更多的軸承故障特征，將輸入與輸出之間的關(guān)系進(jìn)行聯(lián)系，提出了一種新的診斷方法，主要內(nèi)容如下：

1)使用STTF技術(shù)得到灰度圖像后采用偽彩色處理技術(shù)將單通道圖像數(shù)據(jù)轉(zhuǎn)換為三通道圖像；

2)對(duì)DACM模塊的位置和數(shù)量進(jìn)行研究，構(gòu)建了基于DACM_ResNet的故障診斷模型；

3)將提出的DACM_ResNet模型用于噪聲和變負(fù)載環(huán)境下診斷。

1 理論基礎(chǔ)

1.1 時(shí)頻圖像生成方法

在一般的滾動(dòng)軸承故障診斷系統(tǒng)中[19]，數(shù)據(jù)采集系統(tǒng)采集到的原始振動(dòng)信號(hào)都是一維時(shí)變非穩(wěn)態(tài)信號(hào)，而對(duì)于深度神經(jīng)網(wǎng)絡(luò)來說，處理二維圖像來說更得心應(yīng)手[20]。本方法采用STFT來生成二維時(shí)頻圖像[2]，這既能夠保持信息含量，又可以保證信號(hào)處理的快速。信號(hào)x(t)與w(t)乘積后再進(jìn)行傅里葉變換，STFT的定義如下：

(1)

式中，x(t)為連續(xù)信號(hào)信號(hào)，ω(t)為時(shí)窗信號(hào)。

實(shí)際使用STFT的離散形式來計(jì)算，如下所示：

m=0，1，...，N-1

(2)

式中，時(shí)窗信號(hào)ω(t)的寬度為N；序列x[k]為連續(xù)信號(hào)x(t)的采樣信號(hào)，采樣頻率滿足香農(nóng)采樣定律。

1.2 殘差神經(jīng)網(wǎng)絡(luò)

He等[21]提出了深度殘差網(wǎng)絡(luò)(ResNet)。其核心為在網(wǎng)絡(luò)層中構(gòu)建殘差塊，引入殘差元，殘差元的存在有效解決了由于網(wǎng)絡(luò)層數(shù)較深時(shí)出現(xiàn)的梯度爆炸和消失問題。

結(jié)構(gòu)原理圖如圖1所示。殘差塊以x為輸入，H(x)為輸出，F(xiàn)(x)為殘差映射函數(shù)。He等[21]通過恒值傳遞的方式來搭建深層次網(wǎng)絡(luò)，當(dāng)通過快捷連接時(shí)，則輸出值為`輸入值x，最終輸出如式(3)所示；當(dāng)存在不同維度的輸入輸出層時(shí)，快捷連接需要使用一個(gè)卷積核大小為1×1的卷積層來匹配輸出結(jié)果的維度，從而得到快捷連接的輸出H(x)，最終輸出結(jié)果如式(4)所示：

H(x)=F(x)+x

(3)

F(x)=H(x)-x

(4)

圖1 殘差塊結(jié)構(gòu)圖

1.3 注意力機(jī)制

滾動(dòng)軸承的不同故障模式，采集到的故障特征是不同的，對(duì)于一些幅值較高的一維振動(dòng)信號(hào)特征，在診斷時(shí)是比較準(zhǔn)確的，而對(duì)于與幅值類似的噪聲信號(hào)，診斷會(huì)存在較大的干擾。而注意力機(jī)制的出現(xiàn)，可使模型獲得更多的不同特征的權(quán)重系數(shù)，能夠在一些程度上避免這種診斷干擾。因此本文受CBAM的啟發(fā)，將通道注意力機(jī)制與空間注意力機(jī)制進(jìn)行結(jié)合，并對(duì)通道注意力機(jī)制進(jìn)行改進(jìn)，將原有的多層感知機(jī)進(jìn)行替換，換成兩個(gè)卷積層進(jìn)行權(quán)值共享，提出了新的雙注意卷積機(jī)制模塊(DACM)，與殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，同時(shí)對(duì)這兩個(gè)維度上的特征進(jìn)行提取。該模塊和CBAM一樣，能夠直接運(yùn)用到現(xiàn)有的網(wǎng)絡(luò)架構(gòu)中，減少訓(xùn)練的時(shí)間和參數(shù)。

首先對(duì)于通道注意機(jī)制，為了更高效的計(jì)算通道注意力特征，要做的就是壓縮特征圖的空間維度，通過最大池化層和平均池化層學(xué)習(xí)目標(biāo)的程度信息，然后將該特征送入到一個(gè)共享的多層感知機(jī)(MLP)網(wǎng)絡(luò)中產(chǎn)生最終的通道注意力特征圖Mc∈RC×1×1，為了降低計(jì)算參數(shù)，在MLP中采用了一個(gè)降維系數(shù)r，Mc∈RC/r×1×1。

綜上，通道注意機(jī)制可表示為下式：

Mc(F)=σ(MLP(Avgpool(F))+MLP(maxpool(F)))=

(5)

之后進(jìn)入空間注意機(jī)制，來生成空間注意力特征圖，由式(5)得出，在通道注意力機(jī)制層經(jīng)過平均池化和最大池化后，之后進(jìn)行這兩個(gè)特征的融合，最后在拼融合的特征圖上，使用卷積操作來產(chǎn)生最終的空間注意力特征圖：

Ms(F)∈RH，W

(6)

和通道注意力一樣，使用兩種池化方法來產(chǎn)生2D特征圖：

圖2 通道卷積注意機(jī)制結(jié)構(gòu)圖

(7)

(8)

最終空間特征如下式(9)所示：

Ms(F)=σ(f7×7([AvgPool(F)；MaxPool(F)]))

(9)

最終給定的CBAM依次推導(dǎo)出一維通道注意力映射Mc∈RC×1×1和二維空間注意映射Ms∈R1×H×W，整個(gè)過程可以總結(jié)為如下式：

F′=Mc(F)?F

(10)

F″=Ms(F′)?F′

(11)

其中：?表示基于元素的乘法。在乘法過程中，通道注意值沿著空間維度傳播，反之亦然。F″為最終得到的特征。

2 基于DACM_ResNet的算法模型

2.1 基于DACM的殘差單元結(jié)構(gòu)

Fc(F)=

(12)

其中：σ為Sigmoid激活函數(shù)，在經(jīng)過兩次卷積后進(jìn)行逐元素求和，最后通過激活函數(shù)進(jìn)行輸出最后的通道卷積注意機(jī)制特征圖Fc(F)。

經(jīng)過通道卷積注意機(jī)制得到的特征圖作為輸入直接送到空間注意機(jī)制模塊中，空間注意機(jī)制模塊的結(jié)構(gòu)圖如圖3所示。

圖3 空間注意機(jī)制結(jié)構(gòu)圖

相比于傳統(tǒng)的殘差塊，改進(jìn)的部分為在經(jīng)過兩次卷積和批量歸一化層之后，進(jìn)入到DACM注意力機(jī)制模塊，之后將結(jié)果進(jìn)行輸出。根據(jù)殘差塊計(jì)算公式：

Fa=Fc+x

(13)

式中，F(xiàn)c為經(jīng)過DACM模塊之后的特征，這使得殘差塊能夠同時(shí)獲得經(jīng)過雙注意卷積之后的特征和快捷連接的輸入值x。改進(jìn)殘差塊模型如圖4所示。

圖4 改進(jìn)殘差塊結(jié)構(gòu)圖

2.2 算法框架

本文所提出的基于DACM_ResNet的診斷模型主要由三部分組成，包括原始信號(hào)收集和樣本的制作、數(shù)據(jù)預(yù)處理和DACM_ResNet網(wǎng)絡(luò)結(jié)構(gòu)，最后進(jìn)行軸承故障類型的輸出：

1)原始信號(hào)收集和樣本的制作：通過加速度傳感器收集軸承的振動(dòng)信號(hào)，按照采樣頻率進(jìn)行樣本分割，，采樣頻率為fs，則樣本為在這個(gè)周期內(nèi)采集到時(shí)間序列，樣本規(guī)模為n=fs/v，v為電機(jī)轉(zhuǎn)速。以12 k采樣率為例，電機(jī)轉(zhuǎn)速理論值為1 772 rpm，則樣本規(guī)模為60/1 772×12 000=406.67，所以將400個(gè)數(shù)據(jù)點(diǎn)作為一個(gè)樣本；

2)數(shù)據(jù)預(yù)處理：將分割好的一維數(shù)據(jù)進(jìn)行STFT，得到二維數(shù)組，然后運(yùn)用偽彩色處理技術(shù)進(jìn)行通道變換，得到三通道的彩色圖片，得到的樣本如圖5所示，最后進(jìn)行訓(xùn)練集和測(cè)試集的劃分；

圖5 數(shù)據(jù)預(yù)處理圖

3)DACM_ResNet網(wǎng)絡(luò)結(jié)構(gòu)：首先是將信號(hào)輸入一個(gè)較大的卷積核中，大卷積核具有較大的感受野，可獲取較多的特征，然后經(jīng)過最大池化層，之后經(jīng)過帶有DACM模塊的殘差塊和平均池化層，最終通過全連接層輸出故障類別，得出診斷結(jié)果。

基于DACM_ResNet的診斷模型框架如圖6所示。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)所用深度學(xué)習(xí)框架為pytorch，電腦配置為AMD3700x，16 g內(nèi)存，GTX960，Windows10操作系統(tǒng)。對(duì)于神經(jīng)網(wǎng)絡(luò)而言，需要對(duì)參數(shù)進(jìn)行初始化設(shè)置。通過對(duì)文獻(xiàn)中的代碼進(jìn)行分析，選取初始學(xué)習(xí)率為0.001，使用Adam進(jìn)行網(wǎng)絡(luò)參數(shù)的優(yōu)化，即在訓(xùn)練過程中會(huì)進(jìn)行學(xué)習(xí)率的調(diào)整。每一次訓(xùn)練的樣本數(shù)為64，其他一些參數(shù)則保持不變。

CWRU數(shù)據(jù)集作為公開的數(shù)據(jù)集，本實(shí)驗(yàn)中也采取該數(shù)據(jù)集進(jìn)行驗(yàn)證。實(shí)驗(yàn)裝置如圖6第一部分(原始信號(hào)收集)中所示。數(shù)據(jù)主要由加速度傳感器在4種負(fù)載條件(0、1、2和3 hp)下收集，采樣率為12 kHz。根據(jù)負(fù)載的不同，電機(jī)轉(zhuǎn)速在1 730～1 797 rpm之間變化。

本次實(shí)驗(yàn)中使用的振動(dòng)信號(hào)是電機(jī)工作在4種不同負(fù)載下采集的。同時(shí)存在以下4種工作狀態(tài)：1)正常狀態(tài)；2)外圈故障；3)滾動(dòng)體故障；4)內(nèi)圈故障。這3種故障方式通過人為造成，一般是通過放電的形式對(duì)軸承造成微小的損傷。故障直徑分別為0.117 8 mm、0.355 6 mm和0.533 4 mm。因此，凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集包含4種負(fù)載下共計(jì)10類數(shù)據(jù)。數(shù)據(jù)集的詳細(xì)描述如表1所示。為了便于分類，將故障位置和故障大小不同的10種健康狀況分別設(shè)置為類別標(biāo)簽0～9。具體如表1所示。

表1 CWRU 軸承故障分類及標(biāo)簽值

對(duì)于CWRU數(shù)據(jù)集的振動(dòng)信號(hào)，按負(fù)載0，負(fù)載1，負(fù)載2，負(fù)載3制作成數(shù)據(jù)集A、B、C、D。并將A、B、C、D合并得到一個(gè)總的數(shù)據(jù)集E。之后進(jìn)行樣本的劃分，訓(xùn)練集占80%，測(cè)試集則為20%，其中在訓(xùn)練集中在按照同樣的比例劃分，得到四分之一的驗(yàn)證。最終得到的數(shù)據(jù)集如表2所示。

表2 CWRU樣本數(shù)量表

3.2 模型參數(shù)設(shè)置

根據(jù)殘差神經(jīng)網(wǎng)絡(luò)相關(guān)結(jié)構(gòu)，針對(duì)使用了短時(shí)傅里葉變換與偽彩色處理相結(jié)合的數(shù)據(jù)預(yù)處理方法，對(duì)第一層的卷積層的卷積核進(jìn)行改進(jìn)，選取了7×7大小的卷積核，經(jīng)過多次實(shí)驗(yàn)對(duì)比，確定了如表3的模型參數(shù)。

圖6 整體算法結(jié)果框圖

表3 模型參數(shù)設(shè)置

3.3 在原始信號(hào)下進(jìn)行模型測(cè)試

3.3.1 原始信號(hào)下模型診斷結(jié)果

將原始信號(hào)經(jīng)過數(shù)據(jù)預(yù)處理之后作為樣本分別送入到原殘差神經(jīng)網(wǎng)絡(luò)模型和基于雙注意卷積機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)模型中，迭代次數(shù)為100，得到其訓(xùn)練準(zhǔn)確率如圖7所示。

從圖中可以看出，帶有雙卷積注意機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練準(zhǔn)確率均高于原有的殘差神經(jīng)網(wǎng)絡(luò)和添加CBAM模塊的殘差伸進(jìn)網(wǎng)絡(luò)，其中準(zhǔn)確率達(dá)到了99.5%以上。而對(duì)于添加的CBAM模塊，雖然其準(zhǔn)確率比原始ResNet要高，但其穩(wěn)定性不夠。

使用VGG16、VGG19、CNN、LeNet和ResNet等模型在原始信號(hào)下進(jìn)行對(duì)比試驗(yàn)。在構(gòu)建好的數(shù)據(jù)集A、B、C、D和E進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表4所示，每次實(shí)驗(yàn)分別進(jìn)行10次，然后取其平均值?？梢钥闯?，相比于其他模型，ResNet的診斷準(zhǔn)確率較高。而對(duì)于LeNet，該模型在數(shù)據(jù)集C上準(zhǔn)確率較高，但在其他數(shù)據(jù)集上卻表現(xiàn)的沒那么優(yōu)異，說明其在軸承故障診斷中穩(wěn)定性不夠高，而對(duì)于DACM_ResNet模型，其在每個(gè)數(shù)據(jù)集上的診斷率均高于99%，相比于ResNet提高了2.72%，并且平均診斷率為99.65%，這體現(xiàn)了本文所提出的基于雙注意卷積機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)在軸承故障診斷上的優(yōu)越性。

圖7 訓(xùn)練準(zhǔn)確率圖曲線對(duì)比

表4 各模型的試驗(yàn)結(jié)果

3.3.2 DACM_ResNet與傳統(tǒng)滾動(dòng)軸承故障診斷算法的對(duì)比

將所提方法與傳統(tǒng)滾動(dòng)軸承故障診斷算法進(jìn)行對(duì)比，選取數(shù)據(jù)集E作為本次實(shí)驗(yàn)的樣本集，實(shí)驗(yàn)結(jié)果如表5所示，所選取的傳統(tǒng)方法包括合粒子群參數(shù)優(yōu)化的支持向量機(jī)(SVM-PSO)、極限學(xué)習(xí)機(jī)(ELM)、k最近鄰(KNN)，對(duì)于SVM-PSO，選取加速因子c1=1.5；c2=1.7，粒子數(shù)設(shè)置為20，迭代次數(shù)為200次，對(duì)于ELM，隱藏層神經(jīng)元數(shù)目L為2 000，懲罰系數(shù)C為 0.5，對(duì)于KNN模型，選取初始值k=5。

表5 DACM_ResNet與傳統(tǒng)方法實(shí)驗(yàn)結(jié)果對(duì)比

從實(shí)驗(yàn)結(jié)果可看出，傳統(tǒng)方法在數(shù)據(jù)集E上也有著良好的診斷效果，但相比于DACM_ResNet，還略微的低一些。

3.3.3 在ResNet不同位置加入DACM模塊

同時(shí)為驗(yàn)證注意力模塊位置和數(shù)量對(duì)實(shí)驗(yàn)的影響，對(duì)位置而言，將DACM模塊插入到進(jìn)入殘差塊之前的主干網(wǎng)絡(luò)中和殘差塊中。對(duì)于數(shù)量而言，將DACM模塊插入到主干網(wǎng)絡(luò)中，分別是進(jìn)入殘差模塊之前和殘差模塊之后，各插入一個(gè)DACM模塊，具體結(jié)構(gòu)如圖8所示。

對(duì)比VGG16、VGG19、CNN和LeNet，選取ResNet添加DACM模塊，對(duì)不同位置和數(shù)量的DACM模塊的試驗(yàn)結(jié)果如圖9所示，可以看出，DACM模塊的位置和數(shù)量對(duì)結(jié)果有的較大的影響，當(dāng)DACM模塊加入到殘差模塊中時(shí)，診斷的準(zhǔn)確率有較大的提升，而在其他位置確存在準(zhǔn)確率降低的問題。

圖8 不同位置和數(shù)量的DACM結(jié)構(gòu)圖

圖9 不同結(jié)構(gòu)與數(shù)據(jù)集診斷率圖

3.4 噪聲環(huán)境下模型分類測(cè)試

在滾動(dòng)軸承的實(shí)際工作環(huán)境中，由于各個(gè)部件之間的摩擦和振動(dòng)，使得采集到的軸承振動(dòng)信號(hào)會(huì)存在一定的噪聲。在本實(shí)驗(yàn)中，我們?cè)跀?shù)據(jù)集中疊加高斯白噪聲來模擬在復(fù)雜環(huán)境下采集到的振動(dòng)信號(hào)。具體來說，我們將不同信噪比(SNR)的噪聲信號(hào)添加到測(cè)試樣本中，以構(gòu)建不同強(qiáng)度的噪聲信號(hào)。另外需要說明的是，本研究?jī)H在測(cè)試樣本中添加噪聲信號(hào)，而不是在訓(xùn)練樣本中添加噪聲信號(hào)，并且通過噪聲測(cè)試樣本評(píng)估了所提出方法的抗噪聲性。信噪比的定義如下：

SNRdb=10log10(Psignal/Pnoise)

(13)

其中：Psignal表示原始信號(hào)功率，Pnoise表示高斯噪聲功率。

如圖10所示，在該圖中，展示了高斯白噪聲信號(hào)，和未加噪聲的軸承滾動(dòng)體故障原始信號(hào)，以及兩者相加之后帶有噪聲的滾動(dòng)體故障信號(hào)?？梢钥闯?，信號(hào)已經(jīng)被嚴(yán)重污染了，和原始信號(hào)相比，幾乎沒有過多的相似，人眼很難進(jìn)行分辨。因此，從帶有噪聲的信號(hào)中提取出有效的故障特征，有很大的難度。

在圖11中，分別為原始正常信號(hào)、內(nèi)圈故障信號(hào)、外圈故障信號(hào)和滾動(dòng)體故障信號(hào)與疊加高斯噪聲的信號(hào)圖，通過對(duì)高斯白噪聲的控制，得到了信噪比為-2 db的信號(hào)。

在本實(shí)驗(yàn)中，分別在A、B、C、D四個(gè)數(shù)據(jù)集進(jìn)行測(cè)試，并使用4個(gè)SNR的噪聲信號(hào)-4，-2，2，4 dB測(cè)試了所提方法的優(yōu)越性。實(shí)驗(yàn)結(jié)果如圖12所示。

從實(shí)驗(yàn)結(jié)果的看出，DACM_ResNet的識(shí)別準(zhǔn)確率高于其他比較方法，這表明所提出的方法具有更強(qiáng)的抗噪聲性和穩(wěn)定性。特別是當(dāng)信噪比為-4 dB時(shí)，DACM_ResNet仍能獲得93.40%的診斷準(zhǔn)確率，比WDCNN高0.75%。這表明DACM_ResNet在強(qiáng)噪聲環(huán)境下仍具有很大的性能優(yōu)勢(shì)，這一特性將極大地增強(qiáng)DACM_ResNet在實(shí)際應(yīng)用中的潛力。相比之下，在殘差層中加入了CBAM模塊，通過DACM模塊，將殘差的通道和空間兩個(gè)維度上的特征進(jìn)行集中，得到一個(gè)殘差上整體的特征表示。然后將得到的特征表示與輸入進(jìn)行融合，最終得到故障特征的提高。

3.5 不同負(fù)載下診斷性能分析

在實(shí)際的工作環(huán)境中，軸承往往是工作在不同負(fù)載的環(huán)境下。將DACM_ResNet分別與ResNet 、WDCNN、GAM_ResNet三種模型進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖13所示。通過對(duì)實(shí)驗(yàn)的分析，本文所DACM_ResNet模型的識(shí)別準(zhǔn)確率達(dá)到了96%以上。而進(jìn)行對(duì)比的傳統(tǒng)模型如ResNet，識(shí)別率為84.32%，CNN的改進(jìn)版WDCNN則為83.52%，而其他注意力機(jī)制結(jié)合的ResNet反而更低，為81.93%。相比于DACM_ResNet，GAM_ResNet和WDCNN在不同工況下故障識(shí)別率不夠穩(wěn)定，例如B→A中WDCNN模型的故障識(shí)別率達(dá)到了99.6%，而在A→C中的識(shí)別率僅僅只有83.52%，說明WDCNN在工況遷移下泛化能力稍微欠缺。DACM_ResNet在所有負(fù)載變化中識(shí)別率均超過了98%。這說明所提出的模型在工況遷移下能夠保持較穩(wěn)定的識(shí)別率，這對(duì)實(shí)際工作環(huán)境下具有一定的診斷意義。

將得到的高維數(shù)據(jù)通過T-SNE算法進(jìn)行降維操作，降至二維進(jìn)行可視化操作，將模型的全連接層提取到的故障特征，降至二維平面，并以散點(diǎn)圖的方式進(jìn)行繪制，如圖14所示。

圖14 源域?yàn)楣r0的DACM_ResNet向其他工況變化時(shí)的故障特征散點(diǎn)圖

從圖14中可以看出，通過DACM_ResNet模型，所有的故障特征均可以較好的進(jìn)行分類且具有明顯的界限。而對(duì)于標(biāo)簽為5，深度為0.355 6 mm的滾動(dòng)體故障存在一些分類混疊的現(xiàn)象，這也對(duì)應(yīng)了在直方圖中A→D的測(cè)試任務(wù)中準(zhǔn)確率低下。

4 結(jié)束語

針對(duì)滾動(dòng)軸承在實(shí)際工作環(huán)境中噪聲較大、收集到的振動(dòng)信號(hào)易被淹沒和帶負(fù)載工況問題，提出了基于注意力機(jī)制的改進(jìn)殘差網(wǎng)絡(luò)模型。本文得出的結(jié)論如下：

本文提出了一種融合DACM的殘差神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過對(duì)DACM模塊在殘差網(wǎng)絡(luò)中的位置數(shù)量的研究，確定了將DACM模塊添加在殘差塊中具有更好的效果，提升了在噪聲背景和變負(fù)載下的識(shí)別準(zhǔn)確率。使用STFT將振動(dòng)信號(hào)轉(zhuǎn)換至圖像信號(hào)，其次使用偽彩色通道處理技術(shù)，使得模型能夠更好的進(jìn)行訓(xùn)練和測(cè)試。在訓(xùn)練過程中，對(duì)訓(xùn)練樣本進(jìn)行加噪處理，模擬實(shí)際環(huán)境中存在的噪聲問題，提升了模型在實(shí)際應(yīng)用的可行性。