以齒輪箱故障數(shù)據(jù)為例，故障工況如下：

(a) 健康狀態(tài)HEA；(b) 切齒故障CTF；(c) 缺齒故障MTF；(d) 齒根裂紋RCF；(e) 齒面磨損SWF；(f) 滾動體故障BF；(d) 復(fù)合故障CWF；(e) 內(nèi)圈故障IRF；(f) 外圈故障ORF。

下圖為齒輪箱九種狀態(tài)的多尺度特征學習情況。

鑒于不同尺寸的卷積核能提取不同頻率段的特征，可以看出特征圖類似于通常的時間-尺度表征映射圖，不同尺度的卷積操作能夠捕獲不同的特征信息，模型可以根據(jù)不同的狀態(tài)輸入振動信號自適應(yīng)地提取不同尺度下的有效特征信息，提升故障診斷效果。

模型通道注意力層輸出權(quán)重如下圖所示：

通道注意力層可以對不同狀態(tài)下各通道信息賦予不同的權(quán)值，自適應(yīng)地關(guān)注關(guān)鍵特征，增強診斷的泛化性。

同時加入SincNet卷積后，以齒輪切齒故障CTF和軸承外圈故障ORF振動信號為例，模型的卷積特征提取可視化如下。

CTF下普通卷積特征

CTF下SincNet卷積特征

ORF下普通卷積特征

ORF下SincNet卷積特征

常規(guī)卷積提取的特征具有更大的無序性，即使局部能夠捕獲原始振動信號中時間-幅值沖擊變化，但其周圍存在大量的噪聲干擾，影響后續(xù)模型深層次特征表達，降低模型故障診斷的效果，尤其是在低信噪比SNR 下。重要的是，這類常規(guī)卷積操作在不同通道上沒有明確的物理含義，特征可解釋性欠佳。相對應(yīng)地，SincNet 卷積輸出特征能夠清晰地在時間-頻率上對原始信號進行刻畫，通過帶通濾波器自適應(yīng)捕獲固定頻率段的有效信息，不僅削弱了無關(guān)噪聲干擾，還明確賦予了所學特征的物理意義，增強了特征學習的可解釋性。此外，相較于相同結(jié)構(gòu)的64 通道的常規(guī)卷積需要訓練8192 個參數(shù)，SincNet 卷積僅僅需要訓練128 個參數(shù)，一定程度上可降低模型的復(fù)雜度，提升模型效率。

本文轉(zhuǎn)載自??高斯的手稿??