基于自适应升维和卷积自注意力的轴承故障诊断网络

作     者：关乐 王鑫阳 杨铎 张天琦 朱理 陈建国 王珍 GUAN Le;WANG Xinyang;YANG Duo;ZHANG Tianqi;ZHU Li;CHEN Jianguo;WANG Zhen

作者机构：大连大学机械工程学院大连116600 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2024年第43卷第17期

页      面：289-299页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：辽宁省教育厅基本科研项目(LJKFZ20220289) 大连市重点科技研发计划项目(2022YF16SN037) 

主　　题：深度学习 自注意力机制 可解释人工智能 轴承 故障诊断 

摘      要：深度学习网络是一种端到端的黑箱模型,对网络进行可解释分析可以更深入理解网络内部运行机理以便合理优化网络结构和调参。目前基于Transformer网络的轴承故障诊断模型必须借助时频分析等方法对时域信号进行升维,使其转换为时频图等二维图像以便于可解释分析,这种方法存在着升维过程中参数固定、网络参数量过大和网络可解释性较差等缺点。针对以上问题提出融合网络内自适应升维方法、卷积自注意力模块(convolutional self-attention module)以及中间层类激活热力图(mid layer class activation map, ML-CAM)的卷积自注意力自适应升维网络(convolutional self-attention adaptive dimension-increasing network, CSADI-Net)。卷积自注意力模块使用卷积层获取特征图的查询(query, Q)、键(key, K)和值(value, V),极大地减少了可训练参数量;网络内自适应升维方法通过内部特征图拼接等操作将升维过程与网络训练融合,使其具有自适应参数调节的能力;中间层类激活热力图可以将网络内升维方法所得二维特征图上各个部位的关注度以热力图的形式展现,是一种直观的可视化可解释分析方法。此外,对CSADI-Net和ML-CAM进行了测试,CSADI-Net在凯斯西储大学轴承数据集上的准确率可以达到97.32±0.12%并且可以完全分类大连大学实测轴承故障数据集,同时使用ML-CAM对CSADI-Net在两数据集各样本上绘制了类激活热力图,解释了网络运行机理,证实CSADI-Net具有高准确率,高抗噪性能,可解释性强等优点。