多尺度深度卷积神经网络的多尺度特征输出分析

以齿轮箱故障数据为例，故障工况如下：

(a) 健康状态HEA；(b) 切齿故障CTF；(c) 缺齿故障MTF；(d) 齿根裂纹RCF；(e) 齿面磨损SWF；(f) 滚动体故障BF；(d) 复合故障CWF；(e) 内圈故障IRF；(f) 外圈故障ORF。

下图为齿轮箱九种状态的多尺度特征学习情况。

鉴于不同尺寸的卷积核能提取不同频率段的特征，可以看出特征图类似于通常的时间-尺度表征映射图，不同尺度的卷积操作能够捕获不同的特征信息，模型可以根据不同的状态输入振动信号自适应地提取不同尺度下的有效特征信息，提升故障诊断效果。

模型通道注意力层输出权重如下图所示：

通道注意力层可以对不同状态下各通道信息赋予不同的权值，自适应地关注关键特征，增强诊断的泛化性。

同时加入SincNet卷积后，以齿轮切齿故障CTF和轴承外圈故障ORF振动信号为例，模型的卷积特征提取可视化如下。

CTF下普通卷积特征

CTF下SincNet卷积特征

ORF下普通卷积特征

ORF下SincNet卷积特征

常规卷积提取的特征具有更大的无序性，即使局部能够捕获原始振动信号中时间-幅值冲击变化，但其周围存在大量的噪声干扰，影响后续模型深层次特征表达，降低模型故障诊断的效果，尤其是在低信噪比SNR 下。重要的是，这类常规卷积操作在不同通道上没有明确的物理含义，特征可解释性欠佳。相对应地，SincNet 卷积输出特征能够清晰地在时间-频率上对原始信号进行刻画，通过带通滤波器自适应捕获固定频率段的有效信息，不仅削弱了无关噪声干扰，还明确赋予了所学特征的物理意义，增强了特征学习的可解释性。此外，相较于相同结构的64 通道的常规卷积需要训练8192 个参数，SincNet 卷积仅仅需要训练128 个参数，一定程度上可降低模型的复杂度，提升模型效率。

本文转载自​​高斯的手稿​​