摘要：提出了基于注意力機制的多尺度卷積神經(jīng)網(wǎng)絡(luò) （Multi-scale and Attentive Convolutional Neural Network， MACNN） 進行軸承故障分類，該模型以一維 Resnet18 網(wǎng)絡(luò)結(jié)構(gòu)為主體，卷積 模塊采用殘差模塊和空洞卷積并行方式以達到擴大感受野、避免特征信息丟失的目的，同時利 用注意力機制可以自動提取有用特征的能力，將模型提取特征作為輸入送入注意力機制模塊， 進一步提高模型故障分類能力。此外，采用邊界平衡生成對抗網(wǎng)絡(luò) （Boundary Equilibrium Generative Adversarial Networks， BEGAN） 模型對故障數(shù)據(jù)增強，改變不平衡數(shù)據(jù)集的比例， 增加數(shù)據(jù)集樣本數(shù)量，降低 MACNN 模型的過擬合，提高診斷的準確率。在帕德博恩軸承數(shù)據(jù) 集（Paderborn University Dataset，PU）上驗證 MACNN 模型，實驗結(jié)果表明，該模型在特征提 取和故障分類方面都表現(xiàn)出了良好的性能，優(yōu)于當前主流模型。

關(guān)鍵詞：故障診斷；卷積神經(jīng)網(wǎng)絡(luò)；注意力機制；空洞卷積；BEGAN

中圖分類號：TP391

文獻標志碼：A

軸承是旋轉(zhuǎn)機械的關(guān)鍵部件，其運行狀態(tài)直接 影響整個機械系統(tǒng)的安全。軸承故障會嚴重影響系 統(tǒng)的可靠性、生產(chǎn)率、設(shè)備壽命和人民生命安全。因 此，對軸承進行故障診斷具有重要的研究意義。隨 著工業(yè)制造向著復(fù)雜化和大型化發(fā)展，海量數(shù)據(jù)已 經(jīng)成為現(xiàn)代工業(yè)的一大特點，這對傳統(tǒng)故障診斷方 法提出了新的挑戰(zhàn)[1]。

傳統(tǒng)智能診斷方法包括人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN） [2]、支持向量機（Support Vector Machine， SVM） [3]、 K-最 近 鄰 （ K-Nearest" Neighbor， KNN） [4] 等，這些方法在處理大數(shù)據(jù)故障診斷方面取 得了不錯的成果，但是它們在特征提取和特征選擇 方面需要豐富的工程經(jīng)驗和大量的專業(yè)知識。其 次，大多數(shù)傳統(tǒng)的機器學(xué)習模型結(jié)構(gòu)較簡單，限制了 分類器在故障診斷問題中學(xué)習復(fù)雜非線性關(guān)系的能 力[5]。深度學(xué)習具有強大的自動特征提取能力，通過 層次化的網(wǎng)絡(luò)獲取層次化的信息，能夠避免人工提 取特征信息的問題[6] ；同時以較深的網(wǎng)絡(luò)結(jié)構(gòu)提取復(fù) 雜的特征信息，能夠克服實際工業(yè)中復(fù)雜工況和強 噪聲干擾等問題[7]。

在 軸 承 故 障 診 斷 領(lǐng) 域 ， 卷 積 神 經(jīng) 網(wǎng) 絡(luò) （Convolutional Neural Network， CNN） 具有出色的特 征學(xué)習能力和良好的泛化性，得到了較為廣泛的應(yīng) 用[8]。Sun 等[9] 提出了一種用于電機故障診斷的卷積 判別特征學(xué)習方法，卷積層用于從原始振動數(shù)據(jù)中 提取判別性和不變性特征，并在頂層連接支持向量 機作為分類器。Choudhary 等[10] 使用淺層和深度學(xué) 習方法結(jié)合 ANN 和 CNN 進行了基于分類性能的比 較，實驗證明 CNN 的效果更好；Guo 等[11] 提出了一 種分層學(xué)習率自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)進行軸承故 障診斷，在網(wǎng)絡(luò)架構(gòu)中，首先依次堆疊 3 個卷積層及 其相應(yīng)的池化層，以提取和壓縮特征，然后將這些處 理后的特征連接到一個全連接層的分類器上，用于 最終的分類任務(wù)。但這些方法隨著網(wǎng)絡(luò)層數(shù)和卷積 核大小的增加會造成模型過擬合的問題，同時也會 帶來參數(shù)龐大以及訓(xùn)練時間過長等問題，且預(yù)期的準確率有待提高。

實際軸承運行環(huán)境中面臨變工況、環(huán)境噪聲和 其他工件產(chǎn)生的噪聲干擾等問題，導(dǎo)致采集到的軸 承信號混有其他數(shù)據(jù)特征。為克服這一問題，很多 學(xué)者在該領(lǐng)域做了深入研究。Liu 等[12] 提出了一種 遞歸神經(jīng)網(wǎng)絡(luò)使用自動編碼器進行信號去噪和軸承 故障診斷，該方法在診斷性能上有所提高，但是神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練難度仍然是一個問題。Wang 等[13]利用 自適應(yīng)最大循環(huán)反卷積技術(shù)在強噪聲條件下仍能成 功估計出循環(huán)頻率，但是這一技術(shù)受循環(huán)頻率影響， 具有一定的局限性。Su 等[14] 提出膨脹卷積深度信 念網(wǎng)絡(luò)動態(tài)多層感知器的方法，可以從變工況條件 下軸承的原始振動數(shù)據(jù)中提取可轉(zhuǎn)移特性，最后使 用動態(tài)多層感知器對軸承故障進行分類，但這一方 法在沒有標記數(shù)據(jù)的情況下無法發(fā)揮其自學(xué)習能 力。此外，實際工廠運行中，軸承通常運行在健康狀 況下，因此，采集到的數(shù)據(jù)會出現(xiàn)故障數(shù)據(jù)量少的現(xiàn) 象，這一問題不利于神經(jīng)網(wǎng)絡(luò)的充分訓(xùn)練，準確識別 故障樣本。

針對以上問題，本文在眾多學(xué)者針對軸承故障 診斷研究的有效成果和卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提 出了一種基于注意力機制的多尺度卷積神經(jīng)網(wǎng)絡(luò)模 型。首先，該模型的主體網(wǎng)絡(luò)是 Resnet18，既避免網(wǎng) 絡(luò)層數(shù)過深造成參數(shù)過多浪費計算資源，也利用殘 差結(jié)構(gòu)避免網(wǎng)絡(luò)梯度消失和爆炸的問題；其次，利用 空洞卷積可以擴大感受野且不增加模型參數(shù)的特 點，在提取特征時采用普通卷積層和空洞卷積并行 的網(wǎng)絡(luò)結(jié)構(gòu)增強模型的特征提取能力；然后，考慮實 際工廠中軸承運行工況復(fù)雜且有噪聲等信號干擾， 將并行結(jié)構(gòu)提取的特征輸入基于擠壓激勵 （Squeeze and Excitation， SE） 機制的注意力機制模塊中，并用一 維卷積層替換原來的全連接層，更好地提取有用的 特征信號，抑制無效信號；最后，本文采用邊界平 衡 生 成 對 抗 網(wǎng) 絡(luò) （Boundary" Equilibrium" Generative Adversarial Networks，BEGAN） 網(wǎng)絡(luò)對軸承數(shù)據(jù)進行 數(shù)據(jù)增強，擴充數(shù)據(jù)量的同時緩解故障數(shù)據(jù)和正常 數(shù)據(jù)類別不平衡問題，增加故障數(shù)據(jù)在總數(shù)據(jù)量中 的占比，有效提高模型的診斷精度，同時緩解模型過 擬合的問題。

1""" 算法描述

1.1 一維卷積網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習的代表算法之一[15-16]。 在真實標簽的大規(guī)模視覺數(shù)據(jù)庫上進行訓(xùn)練時，有 許多隱藏層和數(shù)百萬個參數(shù)的深度二維卷積神經(jīng)網(wǎng) 絡(luò) （Two-Dimensional" Convolutional" Neural" Networks， 2DCNN） 能夠?qū)W習復(fù)雜的對象和模式。但是在許多 一維信號應(yīng)用時，深度 2DCNN 模型增加了計算負 擔[17]。此外，實際應(yīng)用中存在大量一維故障信號，采 用一維卷積神經(jīng)網(wǎng)絡(luò)直接進行處理可以省去將一維 信號轉(zhuǎn)換成二維信號的復(fù)雜步驟，減少轉(zhuǎn)換過程中 重要信號的丟失，同時獲得較高的診斷結(jié)果[18]。卷積 神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層 和輸出層組成，且卷積層和池化層交替進行特征提 取。卷積操作公式如下所示。

其中： 表示所構(gòu)建的模型中第 層的第 個特 征信號； 表示第 層的第 個特征； 表示來自上 一層的輸入特征信號的集合； 表示卷積核的權(quán)重 矩陣； 表示偏置； 表示卷積運算； 表示激活函數(shù)。

在卷積運算之后，激活函數(shù)非線性變換輸出 值。本文使用激活函數(shù) Tanh 對原始的多維特征進行 映射，以增強提取特征的線性可分性。全連接層對 由卷積核提取的特征進行分類，即前一層的輸出首 先被展開為一維向量，該向量被用作全連接層的輸 入，并且輸入和輸出是全連接的。在多分類情況下， 輸出層的神經(jīng)元的數(shù)目是類的數(shù)目，使用 Softmax 作為輸出層的激活函數(shù)。同時為了解決模型結(jié)構(gòu)中 的梯度消失和梯度爆炸問題采用了殘差網(wǎng)絡(luò)結(jié)構(gòu)， 并采用全局最大池化，最后一層平均池化的結(jié)構(gòu)來 提高模型的診斷效率[19]。

1.2 BEGAN 網(wǎng)絡(luò)

BEGAN 是一種簡單而強大 GAN 網(wǎng)絡(luò)結(jié)構(gòu)，最 早在 2017 年上半年由谷歌團隊提出[20]。和其他生成 對抗網(wǎng)絡(luò)不同的是，它在 GAN 的基礎(chǔ)上進行了進一 步的改進。首先，它不是直接去估計生成分布和和 真實分布之間的差距，而是采用自動編碼器作為判 別器 （Discriminator， D） 計算真實數(shù)據(jù)和生成數(shù)據(jù)重 構(gòu)損失之間的誤差，如果誤差的分布很接近，則預(yù)測 數(shù)據(jù)分布接近真實數(shù)據(jù)分布[21]。使用 Wasserstein 距 離得出的誤差損失匹配自動編碼器誤差損失的分布 優(yōu)化訓(xùn)練模型。其次，它具有快速穩(wěn)定的收斂性并 添加了平衡項平衡判別器和發(fā)生器。最后，與典型 的 GAN 技術(shù)相比，BEGAN 具有更簡單的訓(xùn)練過程， 并且使用更簡單的神經(jīng)網(wǎng)絡(luò)架構(gòu)。

由于 BEGAN 模型的判別器是一個自動編碼器 模型，數(shù)據(jù) v 通過編碼器被映射為低維向量，而低維向量通過解碼器被映射得到 ，如式 （2） 所示，表 示數(shù)據(jù) v通過判別器的重構(gòu)損失。

2.2 基于注意力機制和空洞卷積的神經(jīng)網(wǎng)絡(luò)模型

主體網(wǎng)絡(luò)設(shè)計使用 ResNet18，即網(wǎng)絡(luò)的基本架 構(gòu)是 Resnet，深度是 18 層。該網(wǎng)絡(luò)巧妙地使用了跳 躍連接，解決了深度網(wǎng)絡(luò)中模型退化的問題。傳統(tǒng) 的殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖 5 所示，殘差元的設(shè)計主要有兩 個，跳躍連接和恒等映射。而恒等映射又主要包含 跳躍連接和激活函數(shù)。通過在一個淺層網(wǎng)絡(luò)基礎(chǔ)上 疊加 x 層，可以讓網(wǎng)絡(luò)隨著深度增加而不退化。對于 給定的輸入數(shù)據(jù)，卷積核可以自動提取特征。在訓(xùn) 練的監(jiān)督階段，反向傳播優(yōu)化卷積核的參數(shù)，使得卷 積核更好地從輸入數(shù)據(jù)中提取適當?shù)奶卣鳌?/p>

本文針對軸承信號中特征信息復(fù)雜、難以提取， 設(shè)計了多尺度的網(wǎng)絡(luò)結(jié)構(gòu)，如圖 6 所示，首先將一維 軸承信號輸入一個卷積層，后接最大池化層抑制噪 聲、降低信息冗余。然后輸入 4 個 MACNN 模塊， MACNN模塊如圖 7 所示。采取普通卷積和空洞卷 積并行的網(wǎng)絡(luò)結(jié)構(gòu)，在不增加模型參數(shù)的前提下，擴 大模型的感受野提取更多故障特征，從而提高準確率。此外，在每個 MACNN 模型的最后連接注意力 機制模塊，利用注意力自動提取重要特征的能力進 一步提取特征信息。網(wǎng)絡(luò)結(jié)構(gòu)最后采用平均池化 層，防止過擬合和全連接層進行實驗分類結(jié)果的輸出。

3""" 實驗結(jié)果分析

3.1 德國帕德博恩大學(xué)軸承數(shù)據(jù)集

本文使用德國帕德博恩大學(xué) （Paderborn University， PU） 軸承數(shù)據(jù)集。該數(shù)據(jù)集是 6203 軸承數(shù)據(jù)集，該 數(shù)據(jù)集的實驗平臺如圖 8 所示。平臺的基本組件是 驅(qū)動電機、扭矩測量軸、滾動軸承測試模塊、飛輪和 負載電機。

在預(yù)定義的連續(xù)載荷下，測量了兩種不同的軸 承損壞狀態(tài)。分別是加速壽命測試產(chǎn)生的真實軸承 破壞和常規(guī)加工獲得的人工軸承損壞。 此數(shù)據(jù)集 中，電機電流的采樣頻率為 64 kHz，振動信號的采樣 頻率為 64 kHz。以高采樣率獲得了高分辨率的振動 信號。數(shù)據(jù)是從 6 個健康軸承和 26 個損壞軸承組進 行的實驗中獲得的。在 26 個損壞的軸承組中，人工 損壞軸承 12 個（外圈 7 個、內(nèi)圈 5 個），加速壽命試 驗損傷軸承 14 個（外圈 5 個，內(nèi)圈 6 個，內(nèi)圈和外圈 復(fù)合 3 個）。

3.2 BEGAN 樣本生成

3.2.1"" 模型訓(xùn)練 使用 Adam 優(yōu)化模型參數(shù)，一共訓(xùn) 練迭代 80 輪，批次大小為 64， =0.01，r=0.5，使用帕 德博恩數(shù)據(jù)集訓(xùn)練 BEGAN 網(wǎng)絡(luò)，然后將生成的樣本 數(shù)據(jù)與原數(shù)據(jù)混合，使得不同類間的數(shù)據(jù)達到平衡 和增強，并制作成新的故障診斷數(shù)據(jù)集。得到 196000 份新的數(shù)據(jù)集，增強后每類數(shù)據(jù) 80000 份，隨機選擇 56000 份作為訓(xùn)練集，16000 份作為驗證集，8000 份 作為測試集。

其 中 ： TP（True" Positive） 表 示 被 正 確 分 類 的 正 例 ； FP（False Positive）表示本來是負例被錯分為正例 ； TN（True Negative） 表示被正確分類的負例；FN（False Negative） 表示本來是正例，被錯分為負例。

3.3.1"" 模型有效性的可視化分析 t-SNE 是一種非線 性降維算法，適用于高維數(shù)據(jù)降維到 2 維或者 3 維。 為對模型有效性進行直觀分析，采用 t-SNE 算法進行 可視化。從測試集中隨機選擇 4 種類別、400 個樣 本，包括 3 種故障樣本和 1 種正常樣本，每種 100 個 樣本進行可視化（圖 10）。如圖 10 所示，紅色 0 代表 正常軸承樣本，綠色 1 為外圈故障，橙色 2 為內(nèi)圈故 障，棕色 3 為內(nèi)外圈復(fù)合故障。左圖為輸入數(shù)據(jù)可視 化結(jié)果圖，右圖為分類層可視化結(jié)果圖。從圖中可 以看出，在使用本文方法進行分類后的特征通過 t[1]SNE 可視化，在不同軸承健康條件下的樣本可以很 好地分離，類別 0、1、2、3 可以較好地聚類，但未經(jīng) 過本文算法處理的數(shù)據(jù)，通過 t-SNE 可視化后不能較 好地分離，證明本文分類方法的有效性。

3.3.2"" 對比實驗 為了評估本文模型在故障診斷上 的性能，分別將該模型與 CNN、LSTM、AESL-GA[26]、 ISCNN-LightGBN[27] 模型的實驗結(jié)果進行對比，模型 評價指標使用 Acc、 Pre、 Recall、 F-Score 和復(fù)雜性 （Algorithm Complexity Analysis， ACA），如表 2 所示。 本文模型在準確率上有良好的表現(xiàn)，高于當前流行 的其他分類模型。

為驗證各個模塊的有效性，分別對 BEGAN 網(wǎng) 絡(luò)、注意力機制和空洞卷積進行了消融實驗。實驗 中，分別用模型 1 表示 MACNN 模型，模型 2 表示包 含 Resnet18、Attention 機制和數(shù)據(jù)增強 3 個模塊的模 型，模型 3 表示包含 Resnet18、空洞卷積和 Attention 機制的模型，模型 4 表示 Resnet18、空洞卷積和數(shù)據(jù) 增強的模型。消融實驗結(jié)果的混淆矩陣如圖 11 所 示。混淆矩陣在水平軸上呈現(xiàn)樣本的預(yù)測分類，在 垂直軸上表示樣本的真實分類情況。從圖中可以看 出 ，本文方法在正常 （NORMAL）、內(nèi)圈 （IR）、外圈 （OR） 和復(fù)合故障 （IR+OR） 情況下均有較好的表現(xiàn)。 且外圈故障和復(fù)合故障都可以檢測到，在所有消融 實驗檢測率最低的內(nèi)圈故障上也有較好的表現(xiàn)。各 個消融實驗結(jié)果如圖 12 所示，左圖為準確率對比，右 圖為損失函數(shù)值對比。

同時，分別采用 Acc、Pre、Recall、F-Score、ACA 這 5 類評價指標對消融實驗進行對比，實驗結(jié)果對比 如表 3 所示。

4""" 結(jié) 論

本文提出了一種基于 MACNN 模型的軸承故障 診斷方法，針對當前軸承故障變工況和噪聲干擾等 導(dǎo)致特征提取不充分進而影響故障分類精度的問 題，該模型以 Resnet18 網(wǎng)絡(luò)結(jié)構(gòu)為主體，在此基礎(chǔ)上 加入空洞卷積構(gòu)成并行網(wǎng)絡(luò)結(jié)構(gòu)擴大感受野，增強 模型特征提取能力，并將特征提取結(jié)果送入注意力 模塊，進一步提高模型的診斷能力。數(shù)據(jù)處理部分 采用 BEGAN 網(wǎng)絡(luò)對數(shù)據(jù)進行增強，增加數(shù)據(jù)量提高 模型診斷率的同時防止模型的過擬合。將該方法應(yīng) 用于帕德博恩軸承數(shù)據(jù)集進行軸承故障分類，并與 當前主流模型進行對比，實驗結(jié)果表明，MACNN 方 法在準確率上有較大的提升，同時其優(yōu)異的特征提 取能力能很好地克服變工況和噪聲等干擾，表明了 該模型有較好的魯棒性。

但是，該方法針對數(shù)據(jù)量較少的軸承故障數(shù)據(jù) 時，模型結(jié)構(gòu)模塊較多，對應(yīng)的參數(shù)量和模型訓(xùn)練時 長也比其他算法有所增加。因此，在數(shù)據(jù)增強和特 征提取兩個階段探索更輕量的模型結(jié)構(gòu)將是作者今 后研究的方向。

參考文獻：

TANG H， GAO S， WANG L， et al. A novel intelligent fault diagnosis method for rolling bearings based on Wasserstein generative" adversarial" network" and" convolutional" neural network" under" unbalanced" dataset[J]. Sensors，" 2021， 21（20）： 6754.

DASHTDAR M， DASHTI R， SHAKER H R. Distribution network fault section identification and fault location using artificial neural network[C]//2018 5th International Confer[1]ence" on" Electrical" and" Electronic" Engineering" （ICEEE）. [s.l.]： IEEE， 2018： 273-278.

SHI" Q，" ZHANG" H." Fault" diagnosis" of" an" autonomous vehicle with an improved SVM algorithm subject to unbal[1]anced datasets[J]. IEEE Transactions on Industrial Electron[1]ics， 2020， 68（7）： 6248-6256.

RANJAN G S K， VERMA A K， RADHIKA S. K-nearest neighbors and grid search cv based real time fault monitor[1]ing" system" for" industries[C]//2019" IEEE" 5th" International Conference for Convergence in Technology （I2CT）. Bom[1]bay， India： IEEE， 2019： 29-31.

宮文峰， 張美玲， 陳輝. 基于深度學(xué)習的旋轉(zhuǎn)機械大數(shù)據(jù) 智能故障診斷方法[J]. 計算機集成制造系統(tǒng)， 2022， 6（14）： 1-21.

洪騰蛟， 丁鳳娟， 王鵬， 等. 深度學(xué)習在軸承故障診斷領(lǐng)域 的應(yīng)用研究[J]. 科學(xué)技術(shù)與工程，" 2021，" 21（22）：" 9203- 9211.

宮濤， 楊建華， 單振， 等. 強噪聲背景與變轉(zhuǎn)速工況條件下 滾動軸承故障診斷研究[J]. 工礦自動化， 2021， 47（7）： 63- 71.

PAN H， HE X， TANG S， et al. An improved bearing fault diagnosis" method" using" one-dimensional" CNN" and LSTM[J]." Strojniski" Vestnik/Journal" of" Mechanical" Engi[1]neering， 2018， 64： 443-452.

SUN W， SHAO S， ZHAO R， et al. A sparse auto-encoder[1]based" deep" neural" network" approach" for" induction" motor faults classification[J]. Measurement， 2016， 89： 171-178.

CHOUDHARY" A，" MIAN" T，" FATIMA" S." Convolutional neural" networknbsp; based" bearing" fault" diagnosisnbsp; of" rotating machine using thermal images[J]. Measurement， 2021， 176： 109196.

GUO" X，" CHEN" L，" SHEN" C." Hierarchical" adaptive" deep convolution" neural" network" and" its" application" to" bearing fault diagnosis[J]. Measurement， 2016， 93： 490-502.

LIU" H，" ZHOU" J，" ZHENG" Y， et al." Fault" diagnosis" of rolling bearings" with" recurrent" neural" network-based"" au[1]toencoders[J]. ISA Transactions. 2018， 77： 167-178.

WANG Z， ZHOU J， DU W， et al. Bearing fault diagnosis method based on adaptive maximum cyclostationarity blind deconvolution[J]. Mechanical Systems" and" Signal"" Pro[1]cessing， 2022， 162： 108018.

SU H， YANG X， XIANG L， et al. A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis" under" variable" working" condition" of"" un[1]equal" quantity[J]." Knowledge-Based" Systems，" 2022， 242（22）： 108381.

ZHANG W， LI X， DING Q. Deep residual learning-based fault" diagnosis" method" for" rotating" machinery[J]. ISA Transactions， 2019， 95： 295-305.

肖飛揚， 顧幸生. 基于并行LSTM-CNN的化工過程故障檢 測[J]. 華東理工大學(xué)學(xué)報（自然科學(xué)版）， 2023， 49（3）： 382- 390.

ASIF" M，" NAZEER "O，" JAVAID" N， et al. Data"" augmenta[1]tion" using" BiWGAN，" feature" extraction" and" classification by" hybrid" 2DCNN" and" BiLSTM" to" detect" non-technical losses" in" smart" grids[J]. IEEE" Access，" 2022，" 10：" 27467- 27483.

HU" J，" SHEN" L，" SUN" G." Squeeze-and-excitation networks[C]//Proceedings of the IEEE Conference on Com[1]puter Vision and Pattern Recognition. Salt Lake City， Utah， USA： IEEE， 2018： 7132-7141.

WANG F， CHENG J， LIU W， et al. Additive margin soft[1]max" for" face "verification[J]. IEEE Signal" Processing"" Let[1]ters， 2018， 25（7）： 926-930.

CAI Z， XIONG Z， XU H， et al. Generative adversarial net[1]works： A survey toward private and secure applications[J]. ACM Computing Surveys （CSUR）， 2021， 54（6）： 1-38.

LI Y， XIAO N， OUYANG W. Improved boundary equilib[1]rium" generative" adversarial" networks[J]." IEEE" Access， 2018， 6： 11342-11348.

NIU Z， ZHONG G， YU H. A review on the attention mech[1]anism of deep learning[J]. Neurocomputing， 2021， 452： 48- 62.

CHEN Y， PENG G， ZHU Z， et al. A novel deep learning method based on attention mechanism for bearing remain[1]ing useful life prediction[J]. Applied Soft Computing， 2020， 86： 105919.

RAWAT W，" WANG" Z." Deep" convolutional" neural"" net[1]works for image classification： A comprehensive review[J]. Neural computation， 2017， 29（9）： 2352-2449.

HE Z， CAO Y， DU L， et al. MRFN： Multi-receptive-field network" for" fast" and" accurate" single" image" super[1]resolution[J]." IEEE" Transactions" on "Multimedia，" 2019， 22（4）： 1042-1054.

張思源， 紀洪泉， 劉洋. 基于ISCNN-LightGBM的軸承故 障診斷[J]. 控制理論與應(yīng)用， 2022， 40： 1-8.

王進花， 湯國棟， 曹潔， 等. 基于AESL-GA的BN球磨機滾 動軸承故障診斷方法[J/OL]. 北京航空航天大學(xué)學(xué)報， ht[1]tps：//doi.org/10.13700/j.bh.1001-5965.20220428.