閱讀此文前，誠邀您點選一下“關注”，友善您随時查閱一系列優質文章，同時便于進行讨論和分享，感謝您的支援~
文|紮西朗姆
編輯|清華李博
引言
滾動機械在輸變電裝置中無處不在，如圓柱滾子軸承、滾針軸承和齒輪箱等。
在實踐中，軋制機械在長期運作過程中容易出現嚴重故障，一般來說，輸變電裝置的故障有兩種。
首先，超載可能導緻表面出現疲勞裂紋或缺陷，稱為明顯故障。其次，潤滑劑的缺乏或損失以及未對準可能導緻元件表面變形和粗糙。本研究關注第一類故障。
為了診斷軋制機械的故障，振動傳感器被廣泛部署，因為振動特性直接呈現了運作元件的瞬态狀态。
然而，振動故障診斷面臨許多挑戰。首先，來自電力裝置的振動信号具有調幅和非平穩狀态的天然特征。其次，故障狀态是可變的，由不同的特征類型表示。
通常，跨時域和頻域的特征為故障診斷提供了資訊豐富和互補的線索。時域特征在呈現時間和幅度變化方面表現出色，但它們容易受到噪聲影響。
一、解決方法
為了解決這個問題，已經提出了各種方法來提高特征表示的能力。例如，深已經開發出卷積網絡來提取時域中的高代表性特征。
以前的研究表明，更深的層提供更好的可表示性，而其他研究則強調了中間層的重要性。
相比之下，頻率特征對軋制機械故障具有更好的表征能力。然而，頻率特征在很大程度上忽略了振動的非平穩性。先前的研究表明，時域和頻域的故障診斷性能是完全不同的。
這兩類特征是互補的。融合時間和頻率特征可以為電力裝置中軋制機械的故障診斷提供更多資訊線索。
此外，故障特征可以在多尺度上表示，獲得不同的故障診斷性能。典型的多尺度架構堆疊多尺度時間特征以生成高維特征向量。
為了實作靈活的融合，在中間層引入了融合計算，這樣就可以結合分層激活。
先前的研究調查了時域多尺度特征在故障診斷中的性能，證明了跨多尺度因素共享學習的優勢。
二、故障診斷
随着智能工業系統的發展，自動故障診斷方法得到發展，以確定生産和機械安全。
振動為故障表示提供了資訊線索，因為它們可以呈現正在運作的機械的瞬态狀态。
為了表示振動信号，傳統的頻率分析方法在特征提取中得到了廣泛的研究。例如，傅裡葉變換(FT) 已被用于故障表示和分類，因為它可以對振動信号的周期狀态進行模組化。
然而，頻率特征的可表示性有限，因為它們忽略了運作機械的非平穩性。為了解決這個問題，已經開發了時頻特征來表示時頻域中振動信号的特征。
例如，短時傅裡葉變換、WignerVille分布和小波變換(WT) 已在故障診斷研究中得到研究。
在這些方法中，WT 是最實用的一種，因為它具有松弛的結構并且可以有效地緩和時頻特征的時間分辨率。
值得注意的是，頻率和時頻特征在開創性方法中更受歡迎，而時域特征由于對機械故障的表示能力較弱而在很大程度上被忽略了。
後來随着各種深度學習方法的發展，時間特征在這個領域的應用越來越多。深度學習方法的優勢在于具有很強的抽象能力，可以提取出内在的、有代表性的故障診斷線索。
與傳統特征相比，深度學習特征在診斷性能上取得了顯着飛躍。在這個領域，開創性的研究主要集中在卷積網絡上。
例如，從振動信号中提取統計特征，然後輸入單層卷積網絡進行故障識别。
此外，還建構了一個簡單的卷積網絡來處理頻率特征，用于識别軸承狀況。除了原始信号之外，精細化的特征已被用作 2-D CNN的輸入。
有多種方法，例如，統計模型和小波變換。此外，特征圖是由多中心頻率和振動頻率生成的譜，然後将其輸入 2D-CNN 進行齒輪故障識别。
三、共同注意學習
共同注意學習因其選擇判别特征的能力而突出。近年來，協同注意力學習被多個領域的學者研究和應用。
原則上，注意力機制被設計成一個子產品，往往依賴于各種網絡主幹，例如RNN、CNN和GNN等，目的是提高現有網絡的特征提取性能。
在基于編碼器-解碼器架構的自然語言進行中評估了注意力機制（NLP）表明注意力機制有助于學習圖像和語言之間的遠端相關資訊。
例如，共同注意模型用于對圖像和相應的問題資訊進行聯合推理。此外，還結合了共同注意變換器來共同學習圖像資訊和自然語言的一緻表示。
為了防止資訊丢失，上下文到查詢的注意力和查詢到上下文的注意力機制在一個緊湊的架構中被聯合利用。
此外，注意力機制已經在計算機視覺任務中進行了評估，展示了遠端和全局相關表示的能力。為了進一步探索注意力機制，已經建立了許多注意力網絡。
一個典型的例子是 Transformer 網絡, 可以通過self-attention提取特征。
此外，還有許多努力緻力于基于 Transformer 學習的計算機視覺任務，這些任務已經取得了可與 CNN 相媲美的性能。
例如，self-attention 機制已被用于提取全局依賴。
提出了一種漸進式注意力機制，以建構一個能夠全面整合多層次上下文資訊的新型注意力網絡。
此外，還建構了一個雙注意力網絡來為圖像分割任務提取豐富的特征。GAN 架構中引入了自注意力機制，以提高圖像生成性能。
為了模拟不同線索之間的相關性，在許多研究中提出了共同注意的概念。
四、CDCAN 的動機和新穎性
先前關于時域和頻域故障診斷的研究證明了故障診斷的不同性能。已經證明，時間特征可以呈現振動信号的時間變化，而頻率特征具有全局表示的能力。
融合時域和頻域的特征可能有助于提高診斷性能。此外，與單尺度模型相比，多尺度處理政策獲得了優越的性能。很少有人緻力于跨時域和頻域融合多尺度特征。
這個問題激發了本文的研究。此外，共同學習網絡被建構為自适應融合多域特征，可以跨時域和頻域選擇最重要的通道。
五、跨域共同注意網絡
本研究調查了時域和頻域中振動特征的多尺度因素。此外，使用所提出的 CDCAN 提取跨時域和頻域的共享一緻性。
後端分類器是用分層全卷積計算建構的。總之，所提出的CDCAN包括三個連續階段：初始特征提取階段、共同注意學習階段和分類階段。
六、CDCAN讨論
在CDCAN的初始特征提取塊中，我們綜合提取了具有互相補償性質的時間和頻率特征。
這兩類實體特征幫助我們找到故障識别的内在本質。為了進一步提高故障特征的可表示性，深度學習利用網絡融合時域和頻域的實體特征。
特别地，共同注意學習架構被建構為将實體特征融合并映射到高代表性域中。
共同注意學習機制中的通道權重是需要的，因為它可以根據通道差異提取特征。
是以，可以突出顯示最重要的特征通道，而抑制不重要的通道。我們 CDCAN 中的共同注意學習機制改進了以特征向量為條件的動态，有助于提高特征的泛化性和可辨識性。
這一特性是 CDCAN 卓越性能的基礎。
七、交叉負載實驗
我們的 CDCAN 赢得了第一名，這明顯優于第二名，即 XCN。
此外，由于單負載實驗和交叉負載實驗結果的性能退化，帕德博恩資料集在故障診斷方面比 CWRU 資料集更具挑戰性。
XCN 和 ICN 提供的結果與我們的 CDCAN 更具可比性，比其他的更好。結合CWRU和Paderborn 資料集的結果，可以得出結論，我們的CDCAN 可以獲得令人滿意的軸承故障診斷結果，與以前的診斷方法相比具有更好的正确性和泛化性。
八、消融研究
CDCAN 的特點是其雙流架構。為了評估 CDCAN 不同子產品的性能，對 Paderborn 資料集進行了消融研究。
之是以選擇 Paderborn 資料集，是因為它具有挑戰性，是以可以突出性能差異。我們一次從整個架構中删除塊或流。
結果，生成了 4 種方法，并與該消融研究中的原始 CDCAN 進行了比較。
九、可視化
為了更好地了解我們提出的 CDCAN 的好處，應用了t-SNE技術來可視化原始振動資料和學習特征。
其中不同的狀态用不同的顔色标記。左側面闆顯示原始振動，而特征圖顯示在右側面闆中。
它觀察到特征學習可以減少類間差異，而學習後類内差異增加。
這種性質大大降低了後端分類的難度，實作了簡單的分類。
十、結論
本研究提出了一種新穎的跨時域和頻域共同注意學習，用于軸承和齒輪箱的故障診斷，這是輸變電裝置中的兩個關鍵元件。
所提出的 CDCAN 的主要貢獻在于它可以通過共同注意機制自适應地融合時間和頻率特征。
從理論上講，跨多域的互補性可以呈現故障的内在屬性，與以往的方法相比，這為更好地進行故障診斷奠定了基礎。
特别是，CDCAN 證明了信号負載和交叉負載的故障診斷正确性有所提高。
這些結果無疑表明，CDCAN 是處理目前機械故障診斷研究中具有挑戰性的問題的首選。
而且，CDCAN 的另一個優點在于它可以推廣到不同的機器。在未來的工作中，我們将緻力于将 CDCAN 擴充到具有不同實體意義的資訊，例如機器的電流和溫度狀态。
參考文獻
1.C Malla , I. Panigrahi使用振動分析和其他技術對滾動軸承進行狀态監測的綜述( 2019 )
2.AB Alhassan , X Zhang , H Shen , H. Xu輸電線路巡檢機器人：回顧、趨勢和未來研究的挑戰( 2020 )
3.G. 于用于軸承故障診斷的集中時頻分析工具（2019）
4.Z 高，C Cecati ，SX。 丁故障診斷和容錯技術綜述 - 第一部分：使用基于模型和基于信号的方法進行故障診斷。( 2015 )
5.M He , D. He基于深度學習的軸承故障診斷方法。( 2017 )