用于滚动轴承故障诊断的具有双向压缩激励注意力的多尺度多任务卷积神经网络

《Scientific Reports》：Multi-scale multi-task CNN with bidirectional squeeze-and-excitation attention for rolling bearing fault diagnosis

　　摘要为克服现有滚动轴承诊断模型无法同时识别故障类型和分类细粒度损伤严重程度的工程缺陷，本文提出了一种嵌入双向压缩激励注意力机制的多尺度多任务卷积神经网络（BSE-MSTCNN）。该模型基于共享分支框架构建，其共享模块采用并行的7×1、5×1、3×1多尺度卷积进行多粒度故障特征提取。嵌入在共享分支和任务分支中的BSE模块可双向抑制噪声并增强故障脉冲，同时残差连接缓解深度训练中的梯度消失问题。两个独立分支联合训练故障分类与损伤严重性评估任务。动态自适应损失算法平衡双任务损失，避免单任务偏差，实现故障类型与损伤程度的同步识别。在CWRU和PU轴承数据集上，通过多梯度信噪比噪声实验、消融研究、多模型诊断准确率比较及BSE注意力机制有效性验证，在信噪比SNR=0条件下，模型故障分类准确率分别达到100.00%和95.25%，损伤严重性分级准确率分别达到98.94%和94.62%。实验结果证明BSE模块扩大了细微损伤的特征差异并优化了细粒度严重性分类。该方法实现了强噪声环境下稳定高精度的特征提取，为工业旋转轴承的多目标维护提供了可靠的技术支持。