《Computers》：A Bearing Fault Diagnosis Method for Variable Operating Conditions Based on MMDSC-CBAM-BiLSTM
编辑推荐：
变工况下的轴承故障诊断极具挑战性，因为转速和负载的变化会改变振动响应，并导致不同运行域之间的显著分布偏移。为提高跨工况故障识别能力，本研究提出了一种结合多尺度深度可分离卷积（MMDSC）、卷积块注意力模块（CBAM）和双向长短期记忆网络（BiLSTM）的MMD
变工况下的轴承故障诊断极具挑战性，因为转速和负载的变化会改变振动响应，并导致不同运行域之间的显著分布偏移。为提高跨工况故障识别能力，本研究提出了一种结合多尺度深度可分离卷积（MMDSC）、卷积块注意力模块（CBAM）和双向长短期记忆网络（BiLSTM）的MMDSC-CBAM-BiLSTM模型。首先，利用小波变换将振动信号转换为时频表示。随后，MMDSC以较低的卷积成本在多个空间尺度上提取互补的故障特征，CBAM自适应地重新加权信息丰富的通道和空间响应，而BiLSTM则在特征融合和Softmax分类之前对双向时间依赖性进行建模。诊断的物理解释与内圈、外圈和滚动体上的局部缺陷所产生的特征振动响应相关联，而网络本身学习的是判别性表征，而非显式地重建缺陷形态。在凯斯西储大学（CWRU）和江南大学轴承数据集上的跨工况实验分别获得了98.22%和93.26%的平均准确率，证明了该方法在变化工况下具有更强的鲁棒性和泛化能力。结果表明，所提出的架构为变工况轴承故障诊断提供了一种有效的数据驱动解决方案。
论文解读文章
一、研究背景与意义
在现代工业中，滚动轴承是关键的机械基础部件，其运行环境复杂多变，极易发生故障。常见的轴承故障类型包括内圈故障、外圈故障和滚动体故障，这些故障会在特定频率产生独特的振动响应。若未能及时诊断和排除故障，可能导致设备效率降低、磨损加剧，甚至引发严重的安全事故。因此，及时、准确地诊断滚动轴承故障状态具有重要的工程意义。
尽管现有的信号处理、机器学习和深度学习方法在恒定转速下的轴承故障诊断中取得了良好效果，但在实际工业场景中，轴承大多在变工况下运行。传统的卷积神经网络（CNN）模型主要依赖标准卷积进行特征提取，这只能挖掘浅层的局部空间特征，无法捕捉轴承振动信号的动态时序特性。因此，当应用于承受波动载荷和转速变化的工业轴承时，这些方法面临特征提取不充分、抗干扰能力弱等问题，导致诊断精度显著下降。为解决上述问题，本研究旨在提出一种能够自动从原始时频表示中学习判别性故障特征，并通过集成时空注意力机制增强鲁棒性的新型诊断框架。
二、关键技术方法
研究人员提出了一种集成了多通道多尺度深度可分离卷积（MMDSC）、卷积块注意力模块（CBAM）和双向长短期记忆网络（BiLSTM）的混合模型（MMDSC-CBAM-BiLSTM）。主要技术方法如下：
- 1.
连续小波变换（CWT）：采用复Morlet小波作为母小波，将一维时域振动信号转换为二维时频图像（Scalogram），作为模型的输入。
- 2.
多尺度深度可分离卷积（MMDSC）：在初始大核卷积层提取全局特征后，构建三个并行的深度可分离卷积分支，分别使用3×3、5×5和7×7的不同尺寸卷积核，以捕获不同空间尺度的细微局部故障特征。深度可分离卷积通过解耦空间特征提取和通道特征融合，降低了计算成本。
- 3.
卷积块注意力模块（CBAM）：在每个独立的深度可分离卷积分支中嵌入CBAM，该模块由通道注意力模块（CAM）和空间注意力模块（SAM）组成，能够从通道和空间两个维度自适应地校准特征权重，抑制噪声干扰，强化关键故障特征。
- 4.
双向长短期记忆网络（BiLSTM）：将经过多尺度特征提取和注意力优化的特征序列输入BiLSTM，通过正向和反向两个LSTM层同时提取序列的前向和后向时序依赖关系，全面捕捉振动信号中的时变动态特性。
- 5.
分类器：最终将融合后的高维特征向量输入全连接层和Softmax分类器，实现故障类型的精准识别。
三、研究结果
3.1 消融实验
为验证各核心模块的贡献，研究人员设计了四种消融方案（M1-M4）。结果表明：
- •
移除MMDSC模块（M1）后，平均准确率最低，仅为87.25%，证实了多尺度特征提取对于捕获复杂振动信号中多频带细微故障特征至关重要。
- •
移除BiLSTM模块（M2）后，准确率为90.58%，表明振动信号具有明显的时序动态特性，双向时序建模不可或缺。
- •
移除CBAM模块（M3）后，准确率为94.51%，说明缺乏自适应注意力调节会削弱网络抑制冗余噪声和筛选有效故障信息的能力。
- •
完整的MMDSC-CBAM-BiLSTM模型（M4）在所有任务中均达到最优，平均准确率为98.22%，证明三个模块协同工作，显著增强了多维、高判别力的特征表达能力。
3.2 对比实验（CWRU数据集）
在凯斯西储大学（CWRU）数据集上进行的跨负载变工况实验中：
- •
与BiLSTM、CNN、CNN-BiLSTM等方法相比，所提模型在所有六个跨工况迁移任务（如A→B）中均取得了最高的诊断准确率，平均准确率达到98.22%，比表现次优的CNN-BiLSTM高出5.66%。
- •
训练曲线显示，所提模型收敛最快（约20个epoch），训练与测试精度高度一致，损失函数快速下降并稳定在低水平，展现了优越的收敛性能和泛化能力。
- •
混淆矩阵表明，所提模型几乎无错误分类，对角线值均达到150，而其他模型在不同类别间存在不同程度的误分。
- •
t-SNE可视化结果显示，所提模型提取的特征具有最紧凑的类内聚合度和最清晰的类间边界，而其他模型的特征分布则存在不同程度的混杂和重叠。
3.3 对比实验（江南大学数据集）
在江南大学（JU）数据集上进行的跨转速变工况实验中：
- •
所提模型在全部六个跨工况迁移任务上的准确率均超过90%，在所有对比方法中排名第一。
- •
相比之下，单一的BiLSTM在所有任务中准确率均低于45%；CNN性能有所提升但稳定性不足；CNN-BiLSTM通过融合时空特征进一步提高了分类效果，但与所提模型仍有明显差距。这验证了所提模型在处理大域间隙的困难迁移任务时具有更强的泛化能力和鲁棒性。
四、总结与结论
讨论总结：消融实验定量验证了MMDSC、CBAM和BiLSTM三个核心模块各自对整体诊断性能的关键贡献。多尺度特征学习对于应对变化的工况条件具有重要意义；BiLSTM从正反两个方向挖掘时序依赖关系，使模型更完整地捕捉信号中的序列模式；CNN与CBAM的并行结构通过多尺度特征提取和自适应特征增强，进一步加强了模型聚焦关键故障信息的能力。三者高效协作，显著提升了变工况下轴承振动信号特征的全面表征能力。
研究结论翻译：本研究的实验结果表明，所提出的模型能够有效提高变工况下的故障诊断性能。总体而言，上述结果表明，有效地结合多尺度空间特征提取、双向时序建模和注意力机制，可以更全面地表征变工况下轴承振动信号的特征。这一发现对于设备在复杂多变条件下运行并要求高诊断可靠性的真实工业场景具有重要价值，有助于降低计划外停机的风险并防止意外故障，为复杂工况下的智能轴承故障诊断提供了有效的解决方案。
