基于类别条件跨负载对齐多尺度残差注意力神经网络的变负载轴承故障诊断方法

《Electronics》：A Multi-Scale Residual Attention Neural Network with Class-Conditional Cross-Load Alignment for Bearing Fault Diagnosis

　　

摘要

变负载条件下的轴承故障诊断面临轴承动态响应随负载变化而改变以及由此引发的跨负载特征分布偏移的挑战。本文提出了一种类别条件跨负载对齐多尺度残差注意力神经网络（CCLA-MSRA）。在该网络中，多尺度卷积模块利用多尺度卷积核来刻画不同时间尺度下的振动特征，实现细粒度故障特征的精细表征；残差注意力模块突出与故障类别相关的通道特征信息，增强细粒度故障特征的判别能力。类别条件跨负载对齐机制旨在对齐相似样本的特征分布，通过约束其均值和类内方差，减少由负载变化引起的类内分布偏差，提升跨负载特征一致性。在包含14个类别、四折跨负载验证的CWRU任务上，CCLA-MSRA取得了96.29%的准确率、95.46%的宏平均精确率和95.89%的宏平均召回率，准确率较CNN基线提升了3.40个百分点。在帕德博恩大学数据集上，CCLA-MSRA在未见的运行条件下取得了98.93%的准确率和98.39%的Kappa值。可视化结果表明，多尺度卷积核具有互补的频域响应，不同故障类别在不同尺度上表现出差异化的响应特征，深层特征呈现良好的类内聚集性和类间可分性。