一、实验数据描述采用凯斯西储大学CWRU轴承公开数据样本进行实验分析选取48K采样频率不同负载下的故障轴承振动数据对模型进行测试。滚动轴承的健康状态可分为10类 本次实验测试样本选取用1 hp 下 10 种故障状态振动信号构建数据集每类样本长度为1024其中随机选择70%的样本作为训练集对模型进行训练30%的样本作为测试对模型进行测试。具体信息如下。二、模型框架本次的混合神经网络故障诊断模型主要由CNN层、BiLSTM层、注意力层组层以及softmax层组成模型结构如下所示。三、模型诊断性能验证使用创建的数据集对模型进行训练同时保存训练好的模型模型训练过程中的准确率曲线和损失率曲线如下图所示。从图中可以看到模型训练效果良好没有出现过拟合现象。为了细化模型的故障诊断情况分别使用0hp、1hp、2hp、3hp负载下的数据对模型进行测试并采用混淆矩阵来表示故障诊断结果。从混淆矩阵中可以看到只有部分样本被识别错误大部分样本都能100%的识别出来。综合四幅图来看负载为0hp和1hp条件下诊断结果更好一些。为更清楚的表示模型的特征提取能力引入t-SNE对模型的各个网络层进行特征降维并可视化限于篇幅原因仅对负载为1hp情况下的特征提取情况进行展示如下图所示。输入层为时域信号的t-SNE可视化结果不同健康状态的数据相互混合在一起聚类效果极其差。从卷积层的t-SNE可视化结果可以看到部分同类样本已经有了开始聚合的趋势随着网络层的深入BiLSTM第二层的t-SNE可视化结果大部分样本已基本完成了分类只有少部分的样本混在其他类型的样本中最终在注意力层聚类效果更加明显与上图混淆矩阵的结果相符也证明了该模型具有优越的诊断能力。四、载荷变化情况下诊断性能验证在载荷恒定条件下模型虽然取得不错的诊断结果。然而在实际工作中轴承的载荷是变化的。为进一步验证本文方法的泛化能力将进行载荷变化条件下诊断性能测试。分别使用载荷为1hp、2hp、3hp的训练样本对模型进行训练采用其余的测试样本对模型的泛化能力进行测试。结果如下。可以看到模型可适用于载荷变化条件下的故障诊断。