基于注意力机制和迁移学习的变工况滚动轴承故障诊断.pdfVIP

DOI编码：10.13646/j.cnki.42-1395/u.2025.02.018

基于注意力机制和迁移学习的变工况滚动轴承故障诊断

来雨祥，许根平，闻豪

（长江重庆航道局，重庆401147）

摘要：针对滚动轴承运行时由于工况变化导致模型诊断性能低的问题。提出一种基于注意力机制和迁移学习的变

工况滚动轴承故障诊断。首先，利用一维卷积神经网络对滚动轴承的原始振动信号学习故障特征，结合注意力机制

（SE）对不同特征通道赋予不同的权重，增强故障特征信息；其次，引入迁移学习的思想，通过最大均值差异减少

两域特征的分布差异；最后，在公开轴承数据集上验证，测试精度达到97%以上，可有效实现变工况下的滚动轴承

故障诊断。

关键词：滚动轴承；故障诊断；迁移学习；注意力机制

中图分类号：TP30文献标识码：A文章编号：1006-7973（2025）02-0051-03

当今工业领域中，滚动轴承作为一种关键机械零部件[1]，并采用迁移学习以减少特征分布之间的差异。实验证明通过

广泛应用于旋转机械中。滚动轴承的故障问题，一旦出现，文中方法能够在变工况强噪声的背景下达到极高的故障识别

将不仅给企业带来经济损失，更有可能对人身安全造成严重能力。

威胁。因此，开展滚动轴承故障诊断的研究具有重要意义[2]。一、理论基础

近年来，由于深度学习具有强大的特征提取能力，在机1．注意力机制

械设备故障诊断领域逐渐成为一个热点问题。Chen等[3]通过在实际工况中，由于噪声的存在极有可能使得故障特征

构建卷积神经网络（convolutionalneuralnetwork，CNN），被淹没，为了解决这一问题，文中采用SENet（squeeze-and-

并将振动信号统计图作为输入来进行轴承的故障诊断；曲建excitationnetworks）注意力模块，SENet注意力模块可

玲等[4]则直接采用原始振动信号作为输入，通过构建以对输入的特征进行自适应的筛选，通过加权来吐出含有重

1D-CNN网络实现了“端到端”的故障诊断，极大提高了效率。要信息的故障特征，同时抑制噪音等无效特征。

然而在实际工作条件下，滚动轴承的运行状况是非常复杂的，注意力机制的流程如图1所示，整个模块包含三个主要

并且不同的工作条件会导致相同故障的特征表征发生变化，步骤：F为压缩（Squeeze）操作、F为激励（Excitation）

sqex

这会导致训练数据和测试数据之间存在较大的特征分布差操作和F为乘积（Reweight）操作。具体流程为将H×W×C

scale

异。因此，如果将仅在一个工况下标记的训练数据用于在另维的特征图通过压缩操作和激励操作变为C个权重系数，将

一个工况下诊断未标记的测试数据，由于存在特征分布差异，得到的权重系数与原有的特征进行F操作后即可得到反

scale

所训练的模型性能将急剧下降。因此，需要采用更有效的方