基于深度学习故障诊断注意力机制案例分析

案例使用的试验数据来源于常见的凯斯西储大学轴承数据中心，试验台采集的振动信号数据包括四种状态，分别是健康状态、内圈故障、滚动体故障、外圈故障。案例选择驱动端振动传感器采集的数据，采样频率为12000Hz，轴承信号为SKF6205。为简化试验，仅使用电动机负荷为0的振动信号，转速为1797r/min。为便于对注意力的分布进行解释，案例应用包络谱作为模型的输入。对于四种状态的轴承数据，使用滑窗选取55段信号，每段信号包含12000个点，也就是1秒的数据。随后计算段信号的包络谱，并把0到2000Hz的频率幅值作为样本输入到模型中进行训练，即输入维度为1×2000。80%的样本被用作训练集，其余样本为测试集。案例使用的模型是基础的Transformer网络，其内部的自注意力机制针对振动信号具备良好的可解释。

由于该数据集的四种故障是极易区分的，所以模型在测试集上的准确率为100%。本案例将注意力权重映射到输入振动信号生成热图，解释模型的决策依据。根据轴承关键频率的计算公式，案例中的转频、内圈故障频率、外圈故障频率和滚动体故障频率大致分别为30Hz、162Hz、108Hz和141Hz。

下图为四种状态的注意力热图，最右侧是注意力权重的颜色条。在每张图中，每段振动信号的颜色由注意力权重值决定。权重越高即对应振动信号颜色越深，表示越受模型关注。为便于展示，横坐标设置为0到1000Hz，振动信号的幅值和注意力权重均被归一化在0到1范围内。对于正常信号，图中标记了旋转频率及其倍频的位置，而对于故障信号，图中标记相应的故障频率及其倍频的位置。

                   外圈故障

可以发现，对于正常状态的轴承，包络谱中仅有明显的转频，其无法作为区别四种故障类别的鉴别特征，因此模型选关注一些高频的噪声段。而对于故障状态的轴承，高注意力权重大多集中在能反映故障类型的频带附近。至于滚动体故障，由于包络谱相应的故障频率不过明显，模型不能完全关注相应频带，但仍然能关注附近的频带。综合来看，自注意力机制能够辅助模型学习可鉴别的故障特征，大致符合人对轴承故障状态的判断规律，增强了模型的可解释性。

本文转载自​​高斯的手稿​​