工学院焦卫东课题组在滚动轴承智能诊断领域取得重要进展

近日，浙江师范大学工学院焦卫东课题组与清华大学专家学者合作，在滚动轴承智能诊断领域取得重要进展，相关成果以Double attention-guided tree-inspired grade decision network: A method for bearing fault diagnosis of unbalanced samples under strong noise conditions为题，在SCI一区Top期刊Advanced Engineering Informatics上发表。该论文同时获得了期刊组委会“Best Researcher Award”奖。

在强噪声条件下，对不平衡轴承数据集实现分层多类故障诊断是一个具有挑战性的问题。为此，本文开发了一种分层多类故障诊断模型，称为双注意引导树启发等级决策网络（DATGDN）。首先，设计了一种顶级的三元注意机制和一种创新的多头卷积注意机制，以捕捉轴承故障特征。此外，这些机制可以融入标准卷积神经网络，形成双注意引导主干网络。最后，通过结合一种创新的树结构决策网络，DATGDN能够对轴承故障的位置和严重程度进行分层决策。所开发的模型在两组具有不同信噪比和多种不平衡比例的轴承数据上进行了测试。实验结果表明，与几种先进的算法相比，所提出的方法不仅在各种任务中实现了更高的识别率，还能够对轴承故障的位置和大小进行分级决策。

本文提出了一种同时具备诊断性能和可解释性的DATGDN，用于在 noisy environments 中诊断 unbalanced bearing datasets(a) 在 DATGDN 框架内，DACNN 网络作为主干，利用 TA 和多头卷积注意力机制有效地提取与故障相关的特征，特别是在 noisy environments 中。 (b) DATGDN 结合了为分层决策设计的 TGDL 架构。它从故障分类开始，然后进行严重程度，反映了人类认知过程中的系统评估。 (c) 在涉及两个实验数据集中的各种 UR 和 SNR 条件的多个测试任务中，所提出的GDN 在识别率方面始终优于几种最先进的算法，从而确认了所提出模型的有效性和优越性。 在未来的工作中，将对分层架构中机制的可解释性进行彻底检查，可能通过使用诸如 Integrated Gradients 或 Gradient-weighted Class Activation Mapping 等技术。此外，还将进一步研究该模型的抗噪能力。

浙江师范大学的蒋永华教授、焦卫东教授和清华大学的Feibin Zhang教授为论文的共同通讯作者。浙江师范大学是论文的第一完成单位。浙江师范大学青年博士教师董治麟是论文的第一作者。该项研究得到了浙江省自然科学基金重点、青年项目、金华市科技计划重点项目等资助。

焦卫东课题组（装备状态监测与智能维护技术研究所）主要从事智能检测与信号处理、机械动力学、装备状态监测与故障诊断等方面的研究。主持国家“863”计划项目、国家自然科学基金面上项目和青年科学基金项目，浙江省自然科学基金杰出青年基金、重点、一般项目以及金华市科技计划重大项目等。

编辑：盛灿灿

标签：浙江  机制  故障