一、数据来源实验数据采用的是美国凯斯西储大学(CWRU)轴承数据中心的SKF型轴承的DE驱动端加速度数据其中选用采样频率为48kHz载荷为1hp的加速度数据进行实验分析根据损伤部位的不同分为滚动体、内圈、外圈六点钟方向故障故样本共有10类。其次对所选择的数据进行划分首先根据转速以及采样频率确定每类样本的长度为1024个数据点对数据进行分段处理构建数据集然后选择80%的样本数据作为训练集20%的样本数据作为测试集最后对数据进行均值和标准差的数据标准化处理。具体信息如下二、模型结构所提出的模型总体结构如下图所示整个模型可分为多尺度特征提取、多尺度特征融合和故障分类三部分。多尺度特征采用的是三个网络分支对数据进行不同尺度的特征提取由于传统的卷积运算忽略了不同通道特征对判断预测结果的重要程度故在网络分支最后一层引入了通道注意力机制模块ECA对不同滤波器学习到的特征进行自适应的赋予不同的权重增强与故障信息相关的特征抑制无效的特征提高网络性能通道注意块的框架如图所示。然后融合每个网络分支通过学习获得不同尺度的特征最后通过全连接层进行分类。三、实验验证使用构建的数据集对模型进行验证训练过程中的准确率曲线和损失函数曲线如下图所示从整个训练阶段可以看到准确率曲线没有明显的波动现象随着迭代次数的增加数值趋于平稳损失率曲线快速下降在迭代次数10次以后损失值接近于0。从准确率曲线和损失函数曲线可以看出明显训练效果良好没有存在过拟合的情况。为更进一步考察模型对故障的识别和故障误判情况引入了混淆矩阵对故障诊断结果进行详细的量化分析。从混淆矩阵可以看到只有部分样本识别错误大部分样本还是完全的被识别出来。综合来看模型对滚动轴承故障具有优越的识别能力和较高的诊断准确率。四、可视化分析为了更直观地了解数据在模型中分布变化过程加深对多尺度卷积神经网络故障诊断的理解采用t-SEN方法对轴承健康状态分类的整个过程进行可视化。模型学习的特征分布如下图所示。图 (a)为原始信号的分布图 (b)、c、d)为网络各分支的特征分布图 (e)为最终多尺度融合特征的分布和全连接层的特征分布。从可视化图中可以看出不同类型信号的初始分布比较混乱随着网络的深入学习到的特征变得越来越可分割。融合后的多尺度特征使信号类别基本完全分离证明了不同尺度特征的互补性提高了网络诊断的可靠性也证明了多尺度特征融合通道注意力机制思想的正确性。