一种新型的多尺度二次卷积网络用于轴承故障诊断：能够应对噪声环境

《Knowledge-Based Systems》：A Novel Multi-Scale Quadratic Convolutional Network for Bearing Fault Diagnosis: Handling Noisy Conditions

多尺度混合信息融合方法可有效提升滚动轴承故障诊断在噪声环境下的鲁棒性，提出MSHQAN模型集成多尺度特征提取、混合权重融合和二次卷积池化模块，结合Grad-CAM++可视化分析验证其有效性。

　　本文介绍了一种针对滚动轴承故障诊断的新型方法，名为多尺度混合信息融合方法（MSHQAN），该方法基于二次嵌入注意力卷积网络。滚动轴承作为机械设备中不可或缺的旋转部件，其运行状态直接影响整个系统的性能、可靠性和安全性。然而，在实际工业环境中，由于长期运行、负载变化以及环境因素等影响，滚动轴承容易出现磨损、疲劳和润滑不良等故障，这些故障占据了所有机械设备故障的大约30%。因此，开发一种能够准确且高效地检测滚动轴承故障的方法对于保障设备稳定运行、提高生产效率和产品质量具有重要意义。

传统的故障诊断方法通常依赖于人工提取的特征，这种方法不仅需要大量的专业知识，而且在面对复杂噪声环境时往往难以取得理想的效果。随着深度学习技术的发展，研究人员开始尝试利用卷积神经网络（CNN）和循环神经网络（RNN）等模型来处理滚动轴承的振动信号。CNN因其在特征提取方面的高效性而受到广泛关注，它通过卷积操作能够自动从振动信号中学习到有效的特征表示。然而，在噪声环境下，CNN和RNN可能会误提取与故障无关的特征，从而影响诊断的准确性。为此，注意力机制被引入到深度学习框架中，以帮助模型更好地聚焦于关键的故障特征区域。

尽管注意力机制在一定程度上提高了模型在噪声环境下的鲁棒性，但其在多尺度特征提取中的应用仍存在局限。滚动轴承的振动信号具有多尺度特性，其中与故障相关的特征往往分布在不同的时间和频率尺度上。例如，严重的故障通常表现为长期且低频的模式，而早期的缺陷（如微裂纹）则可能以短期且高频的瞬态形式出现。现有的模型大多在单一时间或频率尺度上进行特征提取和注意力机制的应用，这使得它们在处理多尺度振动信号时效果有限。因此，研究者们提出了多种多尺度特征提取策略，以提升模型对多尺度特征的识别能力。

本文提出的MSHQAN方法旨在解决上述问题，通过构建一个包含多尺度特征提取、混合特征加权融合以及二次混合卷积池化等模块的网络结构，以实现对滚动轴承故障的鲁棒诊断。具体来说，该方法首先引入了一个多尺度特征提取（MFE）模块，该模块通过二次混合单元（QMU）和空间细化特征单元（SRFU）的结合，能够更全面地捕捉振动信号中的多尺度故障特征。QMU用于建模振动信号中的复杂非线性关系，而SRFU则用于进一步细化提取的特征，以生成更具判别性的空间特征。

为了优化多尺度特征之间的融合效果，本文还设计了一个多尺度混合特征加权融合（MS-HFWF）模块。该模块采用了一种自适应的权重分配策略，能够在不同尺度之间进行有效的特征融合。通过这种方式，模型能够更准确地识别和区分不同类型的故障特征，从而提高诊断的准确性。此外，为了进一步增强故障相关特征的判别能力，本文提出了一种二次混合卷积池化（QMP）模块，该模块依次引入了三组不同大小的卷积核的二次嵌入注意力卷积层，并采用混合池化操作来减少冗余信息，提高计算效率。

为了增强模型的可解释性，本文还采用了Grad-CAM++方法，该方法能够通过可视化分析识别出在噪声环境下与故障相关的特征区域。这不仅有助于理解模型的决策过程，也为后续的故障诊断提供了直观的依据。实验部分，本文在两个公开的滚动轴承数据集（CWRU和PU）上验证了所提出方法的有效性。实验结果表明，MSHQAN在噪声环境下能够更准确地识别故障特征，相比传统方法具有更高的诊断性能。

在实际应用中，滚动轴承的故障诊断需要面对复杂的噪声干扰，而MSHQAN通过其多尺度特征提取和融合策略，有效应对了这一挑战。该方法不仅提高了故障特征的识别能力，还增强了模型对噪声的鲁棒性，从而能够在实际工业环境中实现更可靠的故障诊断。此外，MSHQAN的模块化设计使得其结构更加清晰，便于后续的优化和扩展。通过引入QMU和SRFU，该方法能够在不同尺度上提取和细化特征，而MS-HFWF模块则通过自适应的权重分配策略实现了跨尺度特征的高效融合。

在实验验证过程中，本文采用了一系列性能指标来评估MSHQAN的诊断效果，包括准确率、召回率和F1分数等。通过对比实验，本文展示了MSHQAN在噪声环境下相较于传统方法的优势。同时，通过可视化分析，本文进一步验证了模型在识别关键故障特征区域方面的有效性。这些实验结果不仅证明了MSHQAN在故障诊断任务中的优越性，也为后续研究提供了参考依据。

总之，本文提出的MSHQAN方法为滚动轴承故障诊断提供了一种新的解决方案。通过多尺度特征提取、混合特征加权融合以及二次混合卷积池化等模块的设计，该方法能够更全面地捕捉振动信号中的故障特征，并在噪声环境下实现更准确的诊断。此外，该方法还通过Grad-CAM++技术增强了模型的可解释性，使得诊断结果更加直观和可信。实验结果表明，MSHQAN在实际应用中具有较高的适应性和鲁棒性，能够有效应对复杂的工业环境。未来的研究方向可能包括进一步优化模型的结构，探索更多类型的注意力机制，以及在更大规模的数据集上验证其性能。这些努力将有助于推动滚动轴承故障诊断技术的发展，提高工业设备的运行安全性和效率。