柳秀　馬善濤　謝怡寧　何勇軍

摘要：近年來，深度學(xué)習(xí)技術(shù)在基于振動信號的軸承故障診斷中表現(xiàn)出了巨大的潛力。然而，在基于深度學(xué)習(xí)的故障診斷方法中，傳統(tǒng)單一的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征提取的區(qū)分性弱和噪聲魯棒性低，故障診斷的準(zhǔn)確率不高。此外，目前大多數(shù)的研究方法在變負(fù)載環(huán)境下故障識別率低。針對以上問題，提出了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型。該模型將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）和基于注意力機(jī)制的長短期記憶網(wǎng)絡(luò)（the attention long short-term memory， ALSTM）相結(jié)合，借助ALSTM捕捉時間序列數(shù)據(jù)中的遠(yuǎn)距離相關(guān)性，有效抑制輸入信號中的高頻噪聲。同時，引入多尺度和注意力機(jī)制，拓寬卷積核捕捉高低頻特征的范圍，突出故障的關(guān)鍵特征。經(jīng)多個數(shù)據(jù)集測試，并且與現(xiàn)有方法進(jìn)行比較，實(shí)驗(yàn)表明，該方法在準(zhǔn)確率、噪聲魯棒性及變負(fù)載下的故障識別率方面表現(xiàn)突出。

關(guān)鍵詞：故障診斷;卷積神經(jīng)網(wǎng)絡(luò);長短期記憶網(wǎng)絡(luò);多尺度特征提取;注意力機(jī)制

DOI：10.15938/j.jhust.2022.04.015

中圖分類號： TP315.69

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2022）04-0118-07

Deep Learning Method for Bearing Fault Diagnosis

LIU Xiu MA Shan-tao XIE Yi-ning HE Yong-jun

（1.School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China;

2.College of Mechanical and Electrical Engineering， The Northeast Forestry University， Harbin 150080， China）

Abstract：In recent years， deep learning technology has shown great potential in bearing fault diagnosis based on vibration signals.?However， in the fault diagnosis method based on deep learning， the traditional single network topology feature extraction has weak discrimination and low noise robustness， and the accuracy of fault diagnosis is not high.?In addition， most of the current research methods have a low fault recognition rate in a variable load environment.?In response to the above problems， this paper proposes an improved neural network end-to-end fault diagnosis model.?The model combines convolutional neural networks （CNN） and the attention long short-term memory （ALSTM） based on the attention mechanism， and uses ALSTM to capture long-distance correlations in time series data ， Effectively suppress the high frequency noise in the input signal.?At the same time， a multi-scale and attention mechanism is introduced to broaden the range of the convolution kernel to capture high and low frequency features， and highlight the key features of the fault.?After testing on multiple data sets， and comparing with existing methods， experiments show that the method in this paper has significant performance in accuracy， noise robustness， and fault recognition rate under variable load conditions.

Keywords：fault diagnosis; convolutional neural network; long and short-term memory network; multi-scale feature extraction; attention mechanism

0引言

隨著現(xiàn)代計算機(jī)技術(shù)的進(jìn)步和發(fā)展，機(jī)械部件的生產(chǎn)和維護(hù)更加趨向于智能化、系統(tǒng)化和自動化。其中滾動軸承是機(jī)械設(shè)備中不可或缺的部件[1]，一旦發(fā)生故障，不僅會導(dǎo)致更高的維護(hù)成本，而且還可能導(dǎo)致嚴(yán)重的生產(chǎn)安全事故。據(jù)統(tǒng)計，在發(fā)動機(jī)等旋轉(zhuǎn)設(shè)備的事故中，約有40%是由滾動軸承故障所引起的[2]。因此，軸承的故障診斷成為一項(xiàng)關(guān)鍵的任務(wù)。

目前，對電機(jī)軸承的故障診斷主要是利用加速度傳感器采集電機(jī)軸承處的振動信號，然后利用智能算法對信號進(jìn)行診斷[3]。其中診斷算法主要基于傳統(tǒng)故障診斷方法及深度學(xué)習(xí)故障診斷方法。傳統(tǒng)的方法主要采用特征提取、降維、分類，獲取診斷結(jié)論。其中，常用信號處理方法包括頻譜分析[4]、經(jīng)驗(yàn)?zāi)B(tài)分解[5]、小波變換[6]等。特征降維方法主要有主成成分分析（principal compon-?ents analysis， PCA）[7]和獨(dú)立成分分析（independent components analysis， ICA）[8]。分類模型常有人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks， ANN）、支持向量機(jī)（support vector machine， SVM）、隱馬爾可夫模型（hidden Markov model， HMM）[9-11]。目前主要存在的問題是特征提取對人工的依賴較高、需要專業(yè)的經(jīng)驗(yàn)知識、過程復(fù)雜，無法滿足現(xiàn)實(shí)中的要求。

深度學(xué)習(xí)方法在一系列自然語言處理和計算機(jī)視覺任務(wù)中一直優(yōu)于其他技術(shù)[12-13]，其端到端學(xué)習(xí)的特點(diǎn)克服了傳統(tǒng)診斷方法提取特征時的繁瑣，可以直接從原始振動信號中提取特征。多采用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）。Eren等[14]使用一維CNN直接從振動信號的時域?qū)崿F(xiàn)故障診斷。Jing等[15]首先對信號進(jìn)行傅里葉變換以獲得頻譜樣本，然后采一維CNN學(xué)習(xí)頻譜樣本的特征，最后利用齒輪箱數(shù)據(jù)進(jìn)行測試，獲得較高的識別率。Karim 等[16]提出長短期記憶網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，在時間序列分類的數(shù)據(jù)集上有較好表現(xiàn)。上述方法都是采用固定尺寸的卷積核，卷積核大小對特征提取的性能有非常重要的影響，核寬度越窄，時間分辨率越高，頻率分辨率越低。因此，Zhang等[17]提出具有第一層較寬卷積核的深度一維卷積神經(jīng)網(wǎng)絡(luò)模型（deep convolutional neural networks with wide kernel， WDCNN），利用較大尺度的卷積核來增強(qiáng)低頻故障相關(guān)特征的學(xué)習(xí)能力，實(shí)現(xiàn)基于原始信號的故障診斷，同時該模型具有顯著的抗噪性能。缺點(diǎn)是該方法未考慮使用不同尺度的卷積核來提取特征。近年來多尺度方式被更多地應(yīng)用在故障診斷領(lǐng)域里，Jiang等[18]提出一種多尺度CNN的方法（multi-scale convolutional neural networks， MSCNN）。該方法首先對信號進(jìn)行多尺度下采樣來獲取不同尺度的特征表示，然后用CNN提取特征，最后由全連接層和多分類函數(shù)進(jìn)行分類。缺點(diǎn)是沒有考慮振動信號中的時序信息以及不同尺度的關(guān)聯(lián)性，這將導(dǎo)致提取特征不全面。

針對以上問題，提出了一種將基于多尺度和注意力機(jī)制的WDCNN （multi-scale attention WDCNN， MACNN）和ALSTM結(jié)合的故障診斷模型（MACNN-ALSTM），用于時序數(shù)據(jù)的故障診斷，解決了目前故障診斷技術(shù)中的問題。主要貢獻(xiàn)有：①提出了一種新的深度學(xué)習(xí)的模型，用于時間序列數(shù)據(jù)的故障診斷，該模型將卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)結(jié)合，以獲取豐富的時序信號故障特征;②引入多尺度特征提取和注意力機(jī)制，使卷積神經(jīng)網(wǎng)絡(luò)能夠提取到豐富且重要的多尺度故障特征，從而在變負(fù)載和噪聲環(huán)境下提高故障識別率。

1算法實(shí)現(xiàn)

1.1CNN模型

傳統(tǒng)的CNN一般包含4個部分，分別是卷積層、激活層、池化層和全連接層。其優(yōu)點(diǎn)是權(quán)值共享，即相同的卷積濾波器將以不變的步長遍歷上一層的輸出。從而可以很大程度地減少網(wǎng)絡(luò)參數(shù)，減少網(wǎng)絡(luò)架構(gòu)在訓(xùn)練時所需要的計算量。卷積層中一個濾波器對應(yīng)于下一層中的一個幀，幀的數(shù)量即為該層的深度。第一層采用寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)，其卷積過程描述如下：

1.2LSTM模型

長短期記憶遞歸神經(jīng)網(wǎng)絡(luò)（long short-term memory， LSTM）通過引入記憶單元和門控機(jī)制來提高長輸入序列的學(xué)習(xí)能力，從而克服了訓(xùn)練普通神經(jīng)網(wǎng)絡(luò)的一些困難，如圖1所示。存儲單元提供了網(wǎng)絡(luò)的連續(xù)路徑，允許多個LSTM單元連接在一起，減少RNN的“梯度消失”和“梯度下降”的可能性。

LSTM使用輸入門、輸出門與遺忘門實(shí)現(xiàn)對信息的控制。①遺忘門，通過遺忘門的計算來控制上一層的輸出是否保留到當(dāng)前輸入的神經(jīng)元狀態(tài)中，來實(shí)現(xiàn)對網(wǎng)絡(luò)記憶信息的篩選。②輸入門，將當(dāng)前輸入值輸入到激活函數(shù)中，得到一個重要度值來決定信息的更新情況，再通過Tanh函數(shù)來處理前一時刻的狀態(tài)值和輸入信息得到候選單元狀態(tài)。③輸出門，控制單元狀態(tài)的最終輸出，單元狀態(tài)通過輸出門的過濾，經(jīng)由Tanh函數(shù)壓縮得到單元最終輸出。

1.3MACNN-ALSTM故障診斷模型

提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型MACNN-ALSTM，它結(jié)合了深度卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)模型，并融合了多尺度和注意力機(jī)制，將其應(yīng)用于滾動軸承的故障診斷中，模型結(jié)構(gòu)如圖2所示。

傳統(tǒng)CNN模型卷積核小，感受野小，導(dǎo)致特征提取不全面。針對此問題，MACNN-ALSTM方法中第一層采用Zhang等[14]中提出的寬卷積核，以代替相對較淺的卷積路徑，增強(qiáng)低頻故障相關(guān)特征的學(xué)習(xí)。然而上述方法除第一層之外均使用固定長度的小卷積核，在高負(fù)荷、高轉(zhuǎn)速的條件下，含有故障信息的振動信號的尺度難以測量，沒有考慮用不同尺度卷積核來提取豐富的特征。因此，MACNN-ALSTM方法中第二層采用融合注意力機(jī)制的多尺度卷積核，對故障信號進(jìn)行多尺度特征提取，拓寬卷積核捕捉高低頻特征的范圍，使得卷積神經(jīng)網(wǎng)絡(luò)能夠提取到更豐富、更重要的多尺度故障特征。

CNN模型雖然有著強(qiáng)大的特征提取能力，但是不具有記憶能力，所以在處理時序信號的問題上準(zhǔn)確率和效率沒有LSTM高，因?yàn)長STM可以學(xué)習(xí)到歷史信息，并且一定程度上克服了RNN梯度消失的問題，更適合處理時間序列。因此，為了最大程度地保留振動信號的時序特征，提出使用ALSTM對特征做進(jìn)一步提取。

1.3.1注意力加權(quán)機(jī)制

當(dāng)電機(jī)軸承發(fā)生局部故障時，故障位置對接觸滾動軸承的其他部位產(chǎn)生脈沖激勵，使整個系統(tǒng)都產(chǎn)生高頻共振衰減振動，這導(dǎo)致不同信號段的振動信號對故障識別的幫助是不同的，有些特征可能與故障信息相關(guān)，有些可能帶來干擾。針對上述情況，采用了注意力特征加權(quán)機(jī)制，將注意力機(jī)制加到不同尺度的卷積層中，獲取每個尺度下有用的故障特征，對其進(jìn)行加權(quán)處理，篩選并抑制用處不大的故障特征，以此獲得網(wǎng)絡(luò)中具有判別性的故障特征。

注意力加權(quán)結(jié)構(gòu)如圖3所示。其中：Z表示原始輸入特征;Z′表示經(jīng)過注意力加權(quán)處理之后的輸出特征;L表示每個通道的特征值數(shù)目;C表示卷積之后得到的特征通道數(shù)。

對原始輸入特征做3種并行處理：對輸入的特征進(jìn)行權(quán)重的重新標(biāo)定，首先將原始特征Z輸入到一維卷積中做卷積操作，得到每個信號段上特征的重要程度，最后通過Sigmoid函數(shù)調(diào)整生成的特征權(quán)重。具體計算見式（4）。其中：σ代表Sigmoid函數(shù);f代表卷積操作;α為生成的特征調(diào)整權(quán)重，其取值范圍為[0，1]。

為了能夠進(jìn)一步提取故障特征和避免注意力過度的問題，這里對輸入特征再做一次卷積操作。實(shí)現(xiàn)如式（5）所示，δ代表ReLu函數(shù)，f′代表卷積操作，M為輸出特征。

進(jìn)行特征重標(biāo)定操作，如式（6）所示，這里直接使用特征權(quán)值α與M進(jìn)行匹配相乘得到輸出O即可。計算過程如下。

值得注意的是，特征權(quán)重α的取值范圍為[0，1]，重復(fù)使用注意力模塊，可能導(dǎo)致后續(xù)特征響應(yīng)值不斷降低，反而影響網(wǎng)絡(luò)的故障識別性能。因此借助殘差學(xué)習(xí)[19]思想，在保留重標(biāo)定特征O的同時，引入殘差連接來提升MACNN-ALSTM方法的性能，如式（7）所示，直接用原始輸入特征Z與重標(biāo)定特征O相加，得到注意力機(jī)制下最終學(xué)習(xí)到的新特征Z′。

1.3.2多尺度特征提取

傳統(tǒng)CNN的卷積拓?fù)浣Y(jié)構(gòu)中，每層卷積核的尺寸是固定的。隨著負(fù)載的變化，單一尺寸的卷積核無法適應(yīng)各種負(fù)載的特征提取任務(wù)。針對此問題，提出了一種基于多尺度的卷積神經(jīng)網(wǎng)絡(luò)，從時域信號上提取豐富的多尺度特征。

如圖4所示，在第一層采用寬卷積核，作為低頻濾波器。為了獲取較大的感受野，首先將原始信號輸入到第一層寬卷積核中來識別低頻且短時的特征，抑制噪聲。利用尺度不同的卷積核作為高低頻濾波器，從不同的角度提取上一層輸出的特征來獲取信號中不同頻率的特征。此外，選用3個不同尺度的卷積核，以并行方式提取特征，以此獲取不同尺度的振動信號特征。同時在各多尺度模塊中加入注意力機(jī)制，對特征信息進(jìn)行加權(quán)處理，獲得更具代表性的多尺度故障特征。3個尺度的卷積輸出的特征大小均為L×C，對所提取的特征進(jìn)行堆疊，形成大小為L×3C的多尺度特征集，為后面的卷積層提供更豐富且互補(bǔ)的故障特征。

2實(shí)驗(yàn)和結(jié)果分析

2.1MACNN-ALSTM及訓(xùn)練參數(shù)設(shè)置

在實(shí)驗(yàn)中，MACNN-ALSTM方法第一層卷積采用16個大小為64×1的卷積核;第二層有3條多尺度分支，3條多尺度分支采用相同的注意力卷積結(jié)構(gòu)，卷積核大小分別為11×1、7×1、5×1，每個卷積核數(shù)量為16;第三層卷積使用64個大小為6×1的卷積核;第四層卷積使用64個大小為10×1的卷積核，LSTM的單元設(shè)置為64。為出于魯棒性考慮，模型在改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)與ALSTM之間添加了Dropout層，并設(shè)置Dropout為50%來防止過擬合現(xiàn)象。實(shí)驗(yàn)訓(xùn)練使用后端為Tensorflow。實(shí)驗(yàn)平臺是在Ubuntu 18.04.2，含4個RTX 2080Ti顯卡，本實(shí)驗(yàn)中，用到3個。

2.2對比方法

為了驗(yàn)證MACNN-ALSTM方法的優(yōu)越性和有效性，將MACNN-ALSTM方法與以下方法進(jìn)行對比分析：

1）ALSTM-FCN[20]目前在時間序列分類數(shù)據(jù)集上表現(xiàn)最好的方法。該模型通過ALSTM和全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）結(jié)合，實(shí)現(xiàn)端到端的分類;

2）WDCNN是在第一層使用寬卷積進(jìn)行特征提取，然后使用小卷積進(jìn)一步特征提取，最后使用多分類函數(shù)計算概率的方式進(jìn)行故障診斷;

3）MSCNN是一種多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法，利用多尺度特征表示，特征提取之后使用全連接層和多分類函數(shù)實(shí)現(xiàn)齒輪箱故障診斷;

4）多層感知神經(jīng)網(wǎng)絡(luò)（multilayer perceptron， MLP）具有5個全連接層，分別是1024，512，256，128，64。使用交叉熵?fù)p失函數(shù)（CE loss）;

5）支持向量機(jī)（support vector machine， SVM）是機(jī)器學(xué)習(xí)中經(jīng)典的分類器，使用徑向基核函數(shù)。

2.3凱斯西儲大學(xué)軸承數(shù)據(jù)集實(shí)驗(yàn)分析

2.3.1數(shù)據(jù)集介紹

美國凱斯西儲大學(xué)軸承（case western reserve university， CWRU）數(shù)據(jù)集是世界公認(rèn)的軸承故障診斷標(biāo)準(zhǔn)數(shù)據(jù)集，為了評價算法的優(yōu)越性，最客觀的方式是使用第三方標(biāo)準(zhǔn)數(shù)據(jù)集與當(dāng)下流行算法比較，因此本實(shí)驗(yàn)用CWRU數(shù)據(jù)集進(jìn)行驗(yàn)證。

CWRU數(shù)據(jù)集的采集系統(tǒng)如圖5所示，包括風(fēng)扇端軸承、電機(jī)、驅(qū)動端軸承、扭矩傳感器及編碼器和測功器。采用加速傳感器分別從風(fēng)扇端軸承和驅(qū)動端軸承采集數(shù)據(jù)，軸承故障是使用電火花加工單點(diǎn)時損傷而致。驅(qū)動端軸承、扭矩傳感器及編碼器是用來添加負(fù)載的。采樣頻率分別是12kHz和48kHz。本實(shí)驗(yàn)采樣頻率為12kHz，驅(qū)動端軸承有4種不同的狀態(tài)：健康、滾動體、外圈、內(nèi)圈，每種負(fù)載選取的訓(xùn)練和測試樣本數(shù)量見表1。

2.3.2變負(fù)載下的故障識別

基于數(shù)據(jù)驅(qū)動的故障診斷模型大多面向單一負(fù)載，而實(shí)際的工業(yè)應(yīng)用中，機(jī)械設(shè)備運(yùn)行的環(huán)境是多種多樣的。例如不同轉(zhuǎn)速、不同負(fù)載等，這樣會造成振動信號的特征不同，幅值不同，波動周期和相位差別也很大。

為了驗(yàn)證MACNN-ALSTM方法在變負(fù)載情況下的故障識別能力，實(shí)驗(yàn)選用CWRU軸承故障數(shù)據(jù)集在負(fù)載1hp、2hp、3hp下進(jìn)行訓(xùn)練，利用其余2種負(fù)載進(jìn)行測試，如第一行源域?yàn)锳時，目標(biāo)域?yàn)锽，C。變負(fù)載問題的具體描述如表2所示。

實(shí)驗(yàn)結(jié)果如圖6所示，其中‘A-B代表訓(xùn)練集使用A數(shù)據(jù)集，測試集使用B數(shù)據(jù)集，A和B是不同負(fù)載下的數(shù)據(jù)集。從圖中可看出，MACNN-ALSTM方法遠(yuǎn)高于WDCNN、ALSTM-FCN、MLP和SVM方法，與MSCNN方法比較也有顯著優(yōu)勢。

其中MSCNN方法使用的是多個不同尺度卷積核提取故障特征，因此在變負(fù)載下表現(xiàn)突出，但在‘C-A負(fù)載差異較大的情況下準(zhǔn)確率降到89.97%，而MACNN-ALSTM方法使用融合注意力加權(quán)機(jī)制的多尺度進(jìn)行特征提取，在‘C-A情況下其準(zhǔn)確率達(dá)到92.34%，比MSCNN高出2.37%。此外，MACNN-ALSTM方法在所有變負(fù)載實(shí)驗(yàn)中的識別準(zhǔn)確率都在90%以上，證明了在不同負(fù)載下MACNN-ALSTM方法有較優(yōu)的故障識別能力。

2.3.3噪聲環(huán)境下實(shí)驗(yàn)分析

在實(shí)際的工業(yè)生產(chǎn)環(huán)境中，振動傳感器采集的振動信號容易受到工廠振動噪聲的污染，因此，如何在含有噪聲的振動信號中對軸承的故障進(jìn)行診斷具有重要意義。為了驗(yàn)證MACNN-ALSTM方法的噪聲魯棒性好，實(shí)驗(yàn)取信噪比為-4、-2、0、2、4、8dB的高斯白噪聲加入到測試樣本中，模擬工業(yè)環(huán)境中的噪聲污染。實(shí)驗(yàn)結(jié)果如圖7所示，在高信噪比的環(huán)境中，各個算法都表現(xiàn)良好。然而，當(dāng)信噪比為4dB或更小時，隨著噪聲水平的增加，MACNN-ALSTM方法準(zhǔn)確率明顯優(yōu)于其他方法。

從上述變負(fù)載實(shí)驗(yàn)、噪聲環(huán)境實(shí)驗(yàn)來看，目前當(dāng)下流行算法的模型均在特定環(huán)境下表現(xiàn)良好，而在多變的環(huán)境下表現(xiàn)較差。MACNN-ALSTM方法在上述實(shí)驗(yàn)環(huán)境下均表現(xiàn)突出，具有很好的變負(fù)載下故障識別能力和噪聲魯棒性。

2.4旋轉(zhuǎn)機(jī)械設(shè)備試車臺數(shù)據(jù)分析

為了進(jìn)一步驗(yàn)證MACNN-ALSTM方法的泛化能力和可靠性，進(jìn)行了旋轉(zhuǎn)機(jī)械設(shè)備試車臺實(shí)驗(yàn)數(shù)據(jù)（自采集）分析。試車臺實(shí)驗(yàn)數(shù)據(jù)集來自中國航發(fā)東安發(fā)動機(jī)有限公司，采集設(shè)備是“XXX”型號推進(jìn)減速器，推進(jìn)減速器安裝在試車臺上，試車臺通過電機(jī)帶動轉(zhuǎn)軸來推進(jìn)減速器轉(zhuǎn)動，試車臺實(shí)驗(yàn)數(shù)據(jù)采集現(xiàn)場如圖8所示，試車臺共設(shè)有4個振動測點(diǎn)，振動傳感器安裝在設(shè)備表面，分別位于設(shè)備的左面、右面、上面和下面，進(jìn)行振動信號的采集。

實(shí)驗(yàn)采用的是慧石科技的電壓傳感器，型號為CA7002A，采樣頻率為25600Hz，傳感器靈敏度為1V/g，共采集了7種不同的轉(zhuǎn)速和功率狀態(tài)下的振動數(shù)據(jù)，如表3所示，實(shí)驗(yàn)選取設(shè)備第X個測點(diǎn)的振動數(shù)據(jù)進(jìn)行測試。

實(shí)驗(yàn)結(jié)果如表4所示，MACNN-ALSTM方法的準(zhǔn)確率為86.62%，遠(yuǎn)高于上述對比方法。表明MACNN-ALSTM方法在實(shí)際復(fù)雜工況下仍然有很高的準(zhǔn)確率。結(jié)合2.3節(jié)在CWRU數(shù)據(jù)集上的實(shí)驗(yàn)對比來看，WDCNN方法因采用了第一層寬卷積核進(jìn)行特征提取，在上述對比方法中表現(xiàn)突出，但是由于其未考慮多尺度特征提取以及振動信號中的時序特征，所以與MACNN-ALSTM方法的比較中沒有優(yōu)勢。這也驗(yàn)證了MACNN-ALSTM方法中的融合注意力機(jī)制的多尺度特征提取和長短期記憶網(wǎng)絡(luò)的有效性。此外，ALSTM-FCN方法最初被提出應(yīng)用在時間序列分類數(shù)據(jù)集上，其表現(xiàn)效果突出，但在基于振動信號的故障診斷方法中，該方法缺乏適應(yīng)性，針對變負(fù)載及實(shí)際工況，其故障識別能力明顯下降。

3結(jié)論

針對電機(jī)故障診斷過程中特征提取的復(fù)雜性及在變負(fù)載下識別率低的問題，提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型，通過卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的結(jié)合，有效提取了振動信號的時序特征;又通過融合注意力機(jī)制的多尺度提取故障特征，拓寬了卷積核捕捉高低頻特征的范圍。經(jīng)實(shí)驗(yàn)驗(yàn)證，MACNN-ALSTM方法具有較高的變負(fù)載下的故障識別能力和噪聲魯棒性。

參 考 文 獻(xiàn)：

[1]王亞萍， 李士松， 葛江華， 等. 等距離映射和模糊C均值的滾動軸承故障識別[J]. 哈爾濱理工大學(xué)學(xué)報， 2019， 24（3）： 41.

WANG Yaping， LI Shisong， GE Jianghua， et al. Rolling Bearing with Isometric Feature Mapping and Fuzzy C means Fault Identification Method[J]. Journal of Harbin University of Science and Technology， 2019， 24（3）： 41.

[2]雷先華， 楊啟正， 葉幸. 現(xiàn)代汽油發(fā)動機(jī)燃油噴射技術(shù)綜述[J]. 機(jī)電工程技術(shù)， 2020， 49（6）： 19.

LEI Xianhua， YANG Qizheng， YE Xing. Summary of Fuel Injection Technology of Modern Gasoline Engine[J]. Mechanical and Electrical Engineering Technology， 2020， 49（6）： 19.

[3]陳珊珊，楊耿杰.水電機(jī)組振動故障診斷方法綜述[J].電氣技術(shù)， 2019， 20（6）： 1.

CHEN Shanshan， YANG Gengjie. Review of Vibration Fault Diagnosis Methods for Hydraulic Turbines[J]. Electrical Technology， 2019， 20（6）：1.

[4]LIU T， CHEN J， DONG G M. Rolling Element Bearing Fault Diagnosis based on Frequency Bandentropy[J]. Journal of Vibration and Shock， 2014， 33（1）： 77.

[5]俞嘯. 數(shù)據(jù)驅(qū)動的滾動軸承故障特征分析與診斷方法研究[D]. 北京：中國礦業(yè)大學(xué)， 2017.

[6]鄧飛躍， 強(qiáng)亞文， 楊紹普， 等. 一種自適應(yīng)頻率窗經(jīng)驗(yàn)小波變換的滾動軸承故障診斷方法[J]. 西安交通大學(xué)學(xué)報， 2018， 52（8）： 22.

DENG Feiyue， QIANG Yawen， YANG Shaopu，et al. A Fault Diagnosis Method of Rolling Element Bearings with Adaptive Frequency Window Empirical Wavelet Transform[J]. Journal of Xi′an Jiaotong University， 2018， 52（8）： 22.

[7]RAUBER T W， LOCA A ， BOLDT F， et al. An Experimental Methodology to Evaluate Machine Learning Methods for Fault Diagnosis based on Vibration Signals[J]. Expert Systems with Applications， 2020： 114022.

[8]SIKDER N， BHAKTA K，NAHID A A， et al.Fault Diagnosis of Motor Bearing using Ensemble Learning Algorithm with FFT-based preprocessing[C]//2019 International Conference on Robotics， Electrical and Signal Processing Techniques （ICREST）. IEEE， 2019： 564.

[9]LIAO Y， ZHANG L， LI W. Regrouping Particle Swarm Optimization based Variable Neural Network for Gearbox Fault Diagnosis[J]. Journal of Intelligent & Fuzzy Systems， 2018， 34（6）： 3671.

[10]PALCIOS R H C， SILVA I N D， GOEDTEL A， et al. Diagnosis of Stator Faults Severity in Induction Motors Using Two Intelligent Approaches[J]. IEEE Transactions on IndustrialInformatics， 2017， 13（4）： 1681.

[11]黃麗梅， 張旗. 基于數(shù)據(jù)驅(qū)動的變換器故障診斷綜述[J]. 電氣技術(shù)， 2019， 20（2）： 1.

HUANG Limei， ZHANG Qi. Review on FaultDiagnosis of Converter based on Data Driven[J]. Electrical Technology， 2019， 20（2）： 1.

[12]SZEGEDY C， IOFFE S， VANHOUCKE V， et al.Inception-v4， Inception-Resnet and the Impact of Residual Connections on Learning[C]//Proceedings ofthe AAAI Conference on Artificial Intelligence，2017， 4：12.

[13]MERITY S， KESKAR N S， SOCHER R. Regularizing and Optimizing LSTM Language Models[J]. arXivpreprint arXiv： 1708.02182， 2017.

[14]EREN L， INCE T， KIRANYAZ S. A Generic Intelligent Bearing Fault Diagnosis System Using Compact Adaptive 1D CNN Classifier[J]. Journal of Signal Processing Systems， 2019， 91（2）： 179.

[15]JING L， ZHAO M， LI P， et al. A Convolutional Neural Network Based Feature Learning and Fault Diagnosis Method for The Condition Monitoring of Gearbox[J]. Measurement， 2018，111： 1.

[16]KARIM F， MAJUMDAR S， DARABI H， et al.LSTM Fully Convolutional Networks for TimeSeries Classification[J]. IEEE access， 2018， 6： 1662.

[17]ZHANG W， PENG G， LI C， et al. A New Deep Learning Model for Fault Diagnosis With Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals[J]. Sensors， 2017，17（2）： 425.

[18]JIANG G， HE H， YAN J， et al. Multiscale Convolutional Neural Networks for Fault Diagnosis of Wind Turbine Gearbox[J]. IEEE Transactions on Industrial Electronics， 2019， 66（4）： 3196.

[19]HE K， ZHANG X， REN S， et al. Deep Residual Learning for Image Recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770.

[20]KARIM F， MAJUMDAR S， DARABI H， et al.LSTM Fully Convolutional Networks for TimeSeries Classification[J]. IEEE Access， 2017（99）：.

（編輯：溫澤宇）