基于注意力的多尺度卷积神经网络轴承故障诊断 针对传统方法在噪声环境下诊断精度低的问题提出了一种多尺度卷积神经网络的滚动轴承故障诊断方法 首先构建多尺度卷积提取不同尺度的故障特征同时引入通道注意力自适应地选择包含故障特征的通道来提高模型的抗噪能力抑制噪声干扰此外利用自适应大小的一维卷积调整不同尺度的特征通道权重自适应融合不同尺度的特征提高判别性特征提取能力最后通过凯斯西储大学开源滚动轴承数据集CWRU进行验证证明了所提方法对有效性 参考文献2023年吉林大学学报EI《基于注意力的多尺度卷积神经网络轴承故障诊断》 ●数据预处理支持1维原始数据 ●网络模型1DMACNN ●数据集凯斯西储大学开源滚动轴承数据集CWRU、十分类 ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集100% ●使用对象初学者 ●代码保证代码注释详细、即拿即可跑通一、项目概述本项目基于注意力机制的多尺度卷积神经网络MACNN针对滚动轴承故障诊断场景解决传统卷积神经网络在噪声环境下诊断精度低的问题。通过多尺度特征提取、通道注意力机制与自适应特征融合技术实现了高抗噪性、高泛化能力的轴承故障分类。项目基于 PyTorch 框架开发支持 CWRU 等主流轴承数据集提供完整的训练、测试、可视化流程可直接用于工业场景中的轴承故障诊断任务。二、核心技术原理2.1 模型架构设计MACNN 模型核心分为五大模块各模块协同实现从原始振动信号到故障类别的端到端诊断宽卷积层使用大尺寸卷积核64×1从原始振动信号中初步筛选特征抑制高频噪声保留关键时间尺度信息。多尺度特征提取层通过 5×1、7×1、9×1 三种不同尺寸的卷积核并行提取特征覆盖不同频率范围的故障信息如内圈、外圈、滚动体故障的特征差异。通道注意力机制集成 SEBlock通道注意力和 ECABlock高效通道注意力自适应调整不同特征通道的权重强化故障相关特征抑制噪声通道干扰。特征融合层对多尺度特征进行拼接后通过自适应 1D 卷积调整通道权重解决传统拼接导致的特征冗余问题。分类层经全局平均池化降维后通过全连接层输出 10 类故障含正常状态的分类概率。2.2 关键技术亮点抗噪设计宽卷积层 双通道注意力机制在信噪比低至 -7dB 的极端噪声环境下仍保持 93% 以上诊断精度。多尺度适配三种卷积核尺寸覆盖不同故障特征尺度适配轴承不同部位、不同直径的故障类型。自适应融合基于 ECA 模块的特征融合动态调整多尺度特征权重优于传统拼接方式。泛化能力支持跨负载工况诊断在 0hp-3hp 不同负载切换场景下平均诊断精度达 91.91%。三、代码结构总览项目文件结构清晰按功能划分为核心模块、工具类、可视化脚本三大类共 13 个文件MACNN_Project/ ├── main.py # 主程序训练、测试流程入口 ├── model/ # 模型核心模块 │ ├── MACNN.py # 主模型定义 │ ├── SEnet.py # SE注意力机制实现 │ ├── ECAnet.py # ECA注意力机制实现 │ └── __init__.py ├── ulit/ # 工具类模块 │ ├── CWRU.py # CWRU数据集加载与划分 │ ├── cwru_datasets.py # 数据集读取接口支持.mat文件 │ ├── acc.py # 准确率/损失计算工具 │ └── init_seed.py # 随机种子初始化保证实验可复现 └── plot_def/ # 可视化脚本 ├── plot_acc_loss.py # 训练/测试准确率、损失曲线绘制 └── t_SNE_feat_save.py # 特征可视化t-SNE降维四、核心文件功能详解4.1 主程序文件main.py作为项目入口整合数据加载、模型训练、测试、结果保存全流程支持命令行参数配置。4.1.1 核心功能环境配置自动检测 GPU/CPU 环境优先使用 GPU 加速训练。参数解析支持通过命令行配置数据集路径、训练轮数、批次大小、学习率等关键参数。模型初始化根据配置加载 MACNN 模型定义交叉熵损失函数和 Adam 优化器。数据处理调用 CWRU 工具类加载数据集按 8:2 比例划分训练集/测试集通过 DataLoader 实现批量加载。训练流程- 迭代训练默认 50 轮每轮计算训练集准确率和损失。- 使用 StepLR 学习率调度器每 10 轮学习率衰减为原来的 0.1 倍。- 训练完成后保存最优模型第 50 轮、混淆矩阵、分类报告。测试与可视化- 计算测试集准确率和损失生成训练/测试曲线准确率 损失。- 绘制混淆矩阵热力图直观展示各类故障的分类效果。4.1.2 关键代码片段解析# 模型训练核心逻辑 def train(train_loader, model, criterion, optimizer, epoch, lr_scheduler, device): model.train() # 训练模式启用Dropout、BN更新 for i, (data, label) in enumerate(train_loader): input data.to(device) label label.to(device) output model(input) # 前向传播 loss criterion(output, label.long()) # 计算损失 loss.backward() # 反向传播求梯度 optimizer.step() # 参数更新 # 计算准确率 _, predicted torch.max(output, 1) accuracy (predicted label).sum().item() / label.size(0)采用标准的 PyTorch 训练流程通过model.train()启用训练模式loss.backward()完成梯度计算。准确率计算通过torch.max(output, 1)获取预测类别与真实标签对比统计正确个数。4.2 模型模块model 文件夹4.2.1 MACNN.py主模型定义核心文件实现 MACNN 完整架构关键模块如下层定义- 宽卷积层conv1 nn.Conv1d(1, 32, kernelsize64, stride2)输入为 1 维振动信号输出 32 通道特征。- 多尺度卷积层conv215×1、conv227×1、conv239×1并行提取不同尺度特征。- 注意力层se1 SEBlock(64)、se2 SEBlock(128)、eca ECABlock(1283)分别作用于多尺度特征和融合后特征。- 分类层classification_layer nn.Linear(1283, 10)输出 10 类故障概率。前向传播逻辑def forward(self, x): # 宽卷积层特征提取 x F.relu(self.bn(self.conv1(x))) x self.max_pool1(x) # 多尺度特征提取三条并行支路 x1 self._forward_branch(x, self.conv2_1, self.max_pool2_1, self.conv3_1, self.max_pool3_1) x2 self._forward_branch(x, self.conv2_2, self.max_pool2_2, self.conv3_2, self.max_pool3_2) x3 self._forward_branch(x, self.conv2_3, self.max_pool2_3, self.conv3_3, self.max_pool3_3) # 特征融合 ECA注意力加权 x torch.cat([x1, x2, x3], dim1) x self.eca(x) # 分类 x self.global_avg_pooling(x).view(x.size(0), -1) return self.classification_layer(x)三条并行支路分别处理不同尺度卷积通过torch.cat拼接特征经 ECA 模块加权后进入分类层。4.2.2 SEnet.py通道注意力实现基于 Squeeze-and-Excitation 机制通过全局平均池化Squeeze和全连接层Excitation学习通道权重class SEBlock(nn.Module): def forward(self, x): b, c, _ x.size() # Squeeze全局平均池化压缩空间维度 y self.avg_pool(x).view(b, -1) # Excitation全连接层学习通道权重 y self.fc(y).view(b, c, 1) # 特征加权 return x * y.expand_as(x)4.2.3 ECAnet.py高效通道注意力实现优化 SE 机制通过 1D 卷积替代全连接层减少参数计算量class ECABlock(nn.Module): def forward(self, x): # 全局平均池化 y self.avg_pool(x) # 1D卷积学习通道权重 y self.conv(y.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1) # 特征加权b为偏置项增强模型鲁棒性 return x * (self.b y)4.3 工具类模块ulit 文件夹4.3.1 CWRU.py数据集处理负责 CWRU 数据集的加载、划分和预处理loadcwrudata()遍历数据集目录读取所有.mat文件路径和对应的故障标签0-9 类。traintestsplitorder()使用sklearn.traintest_split按 8:2 比例划分训练集/测试集保证标签分布均衡stratify 参数。4.3.2 cwru_datasets.py数据集接口实现 PyTorch 标准 Dataset 接口用于读取单个.mat文件def __getitem__(self, idx): file_path self.data_pd.iloc[idx][data] label int(self.data_pd.iloc[idx][label]) # 读取.mat文件中的振动信号sample字段 data loadmat(file_path)[sample].transpose() data torch.tensor(data).float() # 转换为Tensor格式 return data, label4.3.3 acc.py性能指标工具AverageMeter类用于实时计算训练/测试过程中的准确率和损失平均值class AverageMeter(object): def update(self, val, n1): self.val val # 当前批次值 self.sum val * n # 累计总和 self.count n # 累计样本数 self.avg self.sum / self.count # 平均值4.3.4 init_seed.py随机种子初始化固定 Python、NumPy、PyTorch 的随机种子保证实验结果可复现def init_seed(seed123): np.random.seed(seed) random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) cudnn.deterministic True # 禁用非确定性算法4.4 可视化模块plot_def 文件夹4.4.1 plot_acc_loss.py训练曲线绘制读取训练过程中保存的traintestresult.csv文件绘制不同模型的准确率和损失对比曲线支持多模型对比当前仅 MACNN可扩展。自动保存曲线图片至result目录便于实验分析。4.4.2 t_SNE_feat_save.py特征可视化使用 t-SNE 降维算法将高维特征映射到 2D 空间直观展示模型特征提取效果加载训练好的模型提取测试集的原始特征和全连接层特征。绘制散点图不同颜色代表不同故障类别可观察模型是否有效分离各类特征。五、数据集说明项目默认使用 CWRU凯斯西储大学轴承数据集支持自定义数据集扩展5.1 CWRU 数据集规范数据格式.mat文件每个文件存储一段振动信号采样频率 12kHz。故障类别10 类正常 内圈/外圈/滚动体的 3 种故障直径标签对应关系如下| 标签 | 故障类型 | 故障直径mm ||------|----------------|----------------|| 0 | 正常 | - || 1 | 内圈故障 | 0.1778 || 2 | 滚动体故障 | 0.1778 || 3 | 外圈故障6点| 0.1778 || ... | ... | ... || 9 | 外圈故障6点| 0.5534 |5.2 数据集目录结构dataset/CWRU/ ├── Normal/ # 正常轴承数据 │ ├── 1.mat │ └── ... ├── IR007/ # 内圈故障0.1778mm │ └── ... ├── B007/ # 滚动体故障0.1778mm │ └── ... └── ...其他类别六、快速启动指南6.1 环境依赖Python 3.7PyTorch 1.10需匹配 CUDA 版本支持 GPU 加速其他依赖numpy、pandas、matplotlib、seaborn、scikit-learn、scipy6.2 运行步骤解压环境将pytorch1.10.rar解压至无中文路径如G:\fish\evs\pytorch1.10。配置 Python 解释器在 PyCharm 中按以下步骤导入环境- File → Settings → Project → Python Interpreter- 点击 Add → 选择 System Interpreter → 浏览至解压路径下的python.exe如G:\fish\evs\pytorch1.10\pytorch1.10\python.exe- 点击 Apply → OK 完成配置。准备数据集将 CWRU 数据集按上述目录结构放置在dataset/CWRU下。运行训练直接运行main.py默认参数如下可通过命令行修改- 训练轮数50 轮- 批次大小64- 初始学习率0.001- 权重衰减1e-4查看结果训练完成后结果保存在result/MACNN目录下-model50.pth训练好的模型权重文件。-accloss.png训练/测试准确率、损失曲线。-混淆矩阵.png分类混淆矩阵热力图。-traintestresult.csv每轮训练/测试的准确率和损失数据。6.3 命令行参数示例# 自定义学习率和训练轮数 python main.py --lr 0.0005 --epochs 100 --batch-size 32 # 更换数据集路径 python main.py --data D:\dataset\CWRU # 禁用模型保存 python main.py --save_model False七、结果说明7.1 核心指标噪声环境SNR-7dB 至 1dB平均诊断精度 ≥ 93%。跨负载场景0hp-3hp平均诊断精度 ≥ 91.91%。训练效率50 轮训练GPU 环境耗时约 10-20 分钟视硬件配置而定。7.2 可视化结果解读准确率/损失曲线- 训练曲线应逐步上升并趋于平稳无明显震荡说明模型收敛稳定。- 测试曲线与训练曲线差距较小说明无过拟合。混淆矩阵- 对角线元素值越高越好代表该类故障分类准确率高。- 非对角线元素代表混淆类别需重点关注如外圈故障是否易被误分为内圈故障。t-SNE 特征图- 不同颜色的点应聚类成独立簇说明模型提取的特征具有良好的区分度。- 簇间距离越大、簇内越集中模型分类性能越好。八、扩展与优化建议数据集扩展支持 XJTU-SY 等其他轴承数据集只需修改CWRU.py中的数据加载逻辑适配新数据集的文件格式和标签体系。模型优化- 调整多尺度卷积核尺寸如增加 11×1 卷积核适配更多故障类型。- 更换优化器如 SGD、RMSprop或学习率调度器如 CosineAnnealingLR。- 增加 Dropout 层进一步抑制过拟合。功能扩展- 增加模型评估脚本支持加载预训练模型直接测试新数据。- 实现实时故障诊断功能读取传感器实时数据并输出诊断结果。- 增加模型量化功能适配嵌入式设备部署。九、常见问题排查环境配置错误- 报错“Python executable not found”检查解压路径是否含中文重新选择python.exe路径。- 缺少依赖包使用pip install -r requirements.txt安装需自行创建依赖清单。数据读取错误- 报错“KeyError: sample”检查.mat文件中是否存在sample字段或修改cwrudatasets.py中的字段名。- 标签错乱确保数据集目录名与faultclasses列表一致main.py中定义。训练效果差- 准确率低且波动大增大批次大小、降低学习率、增加训练轮数。- 过拟合训练准确率高测试准确率低增加权重衰减、添加 Dropout 层、扩大数据集。GPU 无法使用- 检查 CUDA 版本与 PyTorch 版本是否匹配。- 运行torch.cuda.is_available()验证 GPU 可用性若返回 False 则使用 CPU 训练。通过以上详细解析可全面掌握 MACNN 模型的代码结构、核心功能及使用方法。该项目不仅适用于学术研究中的故障诊断实验还可通过简单扩展适配工业实际应用场景具有较高的实用性和扩展性。基于注意力的多尺度卷积神经网络轴承故障诊断 针对传统方法在噪声环境下诊断精度低的问题提出了一种多尺度卷积神经网络的滚动轴承故障诊断方法 首先构建多尺度卷积提取不同尺度的故障特征同时引入通道注意力自适应地选择包含故障特征的通道来提高模型的抗噪能力抑制噪声干扰此外利用自适应大小的一维卷积调整不同尺度的特征通道权重自适应融合不同尺度的特征提高判别性特征提取能力最后通过凯斯西储大学开源滚动轴承数据集CWRU进行验证证明了所提方法对有效性 参考文献2023年吉林大学学报EI《基于注意力的多尺度卷积神经网络轴承故障诊断》 ●数据预处理支持1维原始数据 ●网络模型1DMACNN ●数据集凯斯西储大学开源滚动轴承数据集CWRU、十分类 ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集100% ●使用对象初学者 ●代码保证代码注释详细、即拿即可跑通