一、研究背景與挑戰
軸承作為旋轉機械的核心部件，其健康狀態直接影響設備運行的安全性和可靠性。傳統的故障診斷方法（如振動分析、油液檢測）依賴人工經驗，效率低且易受主觀因素影響。近年來，基于深度學習的數據驅動方法憑借強大的特征提取能力，成為軸承故障診斷的主流方案。然而，現有方法普遍存在以下痛點：
- ?高計算成本?：復雜模型（如VGG、ResNet）參數量大，難以在工業邊緣設備部署。
- ?抗噪聲能力弱?：工業現場采集的振動信號常伴隨強噪聲，傳統模型易受干擾。
- ?領域適應性差?：模型在工況變化（如負載突變）時性能急劇下降。
二、LEFE-Net核心原理與創新
1. 模型架構
LEFE-Net由振動特征提取器（VFE）?、特征圖處理器（FMP）?和分類器三部分組成，整體架構如下圖所示：
?
?
1）振動特征提取器（VFE）
- ?功能?：將原始振動信號轉換為多通道特征圖。
- ?實現?：采用一維卷積（1-D CNN），逐步擴大通道數（8→16→32→64），捕捉不同頻率的振動模式。
- ?公式?：VFE輸出=ReLU(Conv1D(X,K=9,Cout?))其中X為輸入信號（形狀：1024×1），Cout?為輸出通道數。
（2）特征圖處理器（FMP）
- ?功能?：通過輕量化卷積和注意力機制優化特征表達。
- ?核心模塊?：
- ?Split CNN?：將輸入特征圖按通道分組，對每組獨立卷積后融合。
- ?空間注意力機制（SAM）??：通過像素相關性加權特征圖。
- ?動態權重調整?：類似動態卷積，自適應分配卷積核權重。
SAM architecture.?
- ?公式?：SAM輸出=Softmax(zc?)⊙Conv2D(X)其中zc?為通道權重，⊙表示逐元素相乘。
（3）分類器
- ?功能?：將優化后的特征映射到故障類別。
- ?實現?：兩層全連接網絡（FC），激活函數分別為ReLU和SoftMax。
2. 創新點
-
?輕量化設計?
- ?特征圖分割?：將輸入特征圖按通道分組卷積，減少參數量（對比傳統2-D CNN，參數減少50%）。
- ?動態權重分配?：通過注意力機制抑制冗余特征，提升計算效率。
-
?強魯棒性?
- ?抗噪聲能力?：在SNR=-4dB噪聲下，準確率仍達94.12%（對比VGG16的9.66%誤差）。
- ?領域適應?：通過批量歸一化（BN）標準化特征分布，跨負載場景準確率提升20%+。
-
?高效推理?
- 單次預測耗時<1ms（RTX 2060 GPU），滿足工業實時性需求。
三、核心代碼實現（PyTorch）?
?
import torch.nn as nn
import torch.nn.functional as Fclass LEFE_Net(nn.Module):def __init__(self, num_classes=10):super(LEFE_Net, self).__init__()# 振動特征提取器（VFE）self.vfe = nn.Sequential(nn.Conv1d(1, 8, 9, padding=4),nn.ReLU(),nn.Conv1d(8, 16, 9, padding=4),nn.ReLU(),nn.Conv1d(16, 32, 9, padding=4),nn.ReLU(),nn.Conv1d(32, 64, 9, padding=4),nn.ReLU())# 特征圖處理器（FMP）self.fmp = nn.Sequential(SplitCNN(64, 8), # 分組數=8SplitCNN(64, 8),SplitCNN(64, 8),SplitCNN(64, 8))# 分類器self.classifier = nn.Sequential(nn.Linear(64 * 64, 256),nn.ReLU(),nn.Linear(256, num_classes))def forward(self, x):# x: [B, 1, 1024]x = self.vfe(x) # [B, 64, 64]x = self.fmp(x) # [B, 64, 64]x = x.view(x.size(0), -1) # [B, 64 * 64]x = self.classifier(x) # [B, num_classes]return xclass SplitCNN(nn.Module):def __init__(self, in_channels, groups):super(SplitCNN, self).__init__()self.groups = groupsself.convs = nn.ModuleList([nn.Conv2d(in_channels//groups, in_channels//groups, (3,3), padding=1)for _ in range(groups)])self.sam = SAM()self.bn = nn.BatchNorm2d(in_channels//groups)self.relu = nn.ReLU()self.maxpool = nn.MaxPool2d(2)def forward(self, x):# x: [B, C, H, W]split_x = torch.split(x, self.groups, dim=1)outputs = []for conv in self.convs:outputs.append(conv(split_x.pop(0)))x = torch.cat(outputs, dim=1)x = self.sam(x) # 空間注意力x = self.bn(x)x = self.relu(x)x = self.maxpool(x)return xclass SAM(nn.Module):def __init__(self):super(SAM, self).__init__()def forward(self, x):# x: [B, C, H, W]avg_pool = F.avg_pool2d(x, (H,W)) # 全局平均池化attn = torch.sigmoid(avg_pool)return x * attn.unsqueeze(2).unsqueeze(3)四、實驗結果與對比
1. 數據集與指標
- ?數據集?：CWRU、Paderborn、Southeast University（共3類噪聲場景）。
- ?評估指標?：準確率（Accuracy）、FLOPs（浮點運算量）、參數量（Params）。
2. 對比實驗
| 模型 | 參數量 (M) | FLOPs (G) | CWRU Acc (%) | Paderborn Acc (%) | SEU Acc (%) |
|---|---|---|---|---|---|
| LEFE-Net | 0.056 | 0.145 | 94.12 | 95.62 | 92.08 |
| CNN | 0.234 | 0.562 | 83.22 | 88.11 | 81.25 |
| MobileNet | 0.412 | 0.389 | 79.38 | 73.83 | 65.16 |
| VGG16 | 138.3 | 173.66 | 95.99 | 96.75 | 98.84 |
?
3. 抗噪聲能力
- ?測試條件?：SNR=-8dB至8dB。
- ?結果?：LEFE-Net在SNR=-4dB時仍保持94.68%準確率，顯著優于傳統模型（如SVM僅41.75%）。
4. 領域適應性
- ?測試場景?：負載突變（如CWRU負載從3hp→1hp）。
- ?結果?：LEFE-Net平均準確率96.54%，遠超VGG16（79.59%）和MobileNet（79.34%）。
五、總結與展望
LEFE-Net通過輕量化設計、空間注意力機制和領域適應技術，在軸承故障診斷任務中實現了高精度、低延遲和高魯棒性。其核心優勢在于：
- ?部署友好?：參數量僅0.056M，適合邊緣設備實時推理。
- ?抗干擾強?：在強噪聲下仍保持高準確率。
- ?適應性強?：跨負載場景性能穩定。
?
