基于连续距离递归矩阵与多路径SE注意力机制的滚动轴承故障诊断方法

《Scientific Reports》：Fault diagnosis method for rolling bearings based on improved recurrence plot and EfficientNet

　　

摘要

为了解决滚动轴承故障诊断中过度依赖人工特征提取以及难以识别弱故障的问题，本文提出了一种基于改进的递归图（RP）和EfficientNet的新型方法。在信号编码阶段，该方法直接使用欧几里得距离矩阵构建递归图像，称为连续距离递归矩阵（CDRM）——即保留相空间轨迹间欧几里得距离的完整连续值作为递归矩阵元素，避免传统二值化阈值处理导致的信息丢失，并增强对振动信号非线性动态特征的表征能力。在网络架构方面，为克服标准压缩-激励（SE）注意力机制仅依赖全局平均池化进行空间压缩而忽略多方向结构信息的局限性，本文提出了一种多路径压缩-激励（MP-SE）注意力机制。MP-SE引入了四条并行池化路径——全局平均池化、水平条带池化、垂直条带池化和对角池化——以聚合来自不同空间维度的特征响应，使网络能够自适应地关注与故障相关的多方向纹理区域。这两项创新的结合构成了一个端到端的诊断框架。在西储大学（Case Western Reserve University）数据集上的实验结果表明，所提出的方法在识别10种故障状态时取得了99.39%（标准差0.08%）的最佳平均准确率。编码方法的对比分析表明，CDRM（99.39%）优于灰度图像编码（92.61%）、格拉姆角和场（95.72%）、格拉姆角差场（96.39%）和传统RP（97.72%）。网络结构对比表明，采用MP-SE的EfficientNet（99.39%）优于Inception（95.72%）、ResNet（98.50%）、DenseNet（98.56%）和MobileNet（96.83%）。在跨转速泛化实验中，EfficientNet在所有跨转速任务中均取得了最佳性能。跨数据集泛化实验进一步验证了该方法在不同数据分布下具有良好的泛化能力。综合实验结果证明了所提出方法在滚动轴承故障诊断中的高效性和可靠性。