阅读此文前，诚邀您点击一下“关注”，方便您随时查阅一系列优质文章，同时便于进行讨论和分享，感谢您的支持~
文|扎西朗姆
编辑|清华李博
引言
滚动机械在输变电设备中无处不在，如圆柱滚子轴承、滚针轴承和齿轮箱等。
在实践中，轧制机械在长期运行过程中容易出现严重故障，一般来说，输变电设备的故障有两种。
首先，超载可能导致表面出现疲劳裂纹或缺陷，称为明显故障。其次，润滑剂的缺乏或损失以及未对准可能导致元件表面变形和粗糙。本研究关注第一类故障。
为了诊断轧制机械的故障，振动传感器被广泛部署，因为振动特性直接呈现了运行元件的瞬态状态。
然而，振动故障诊断面临许多挑战。首先，来自电力设备的振动信号具有调幅和非平稳状态的天然特征。其次，故障状态是可变的，由不同的特征类型表示。
通常，跨时域和频域的特征为故障诊断提供了信息丰富和互补的线索。时域特征在呈现时间和幅度变化方面表现出色，但它们容易受到噪声影响。
一、解决方法
为了解决这个问题，已经提出了各种方法来提高特征表示的能力。例如，深已经开发出卷积网络来提取时域中的高代表性特征。
以前的研究表明，更深的层提供更好的可表示性，而其他研究则强调了中间层的重要性。
相比之下，频率特征对轧制机械故障具有更好的表征能力。然而，频率特征在很大程度上忽略了振动的非平稳性。先前的研究表明，时域和频域的故障诊断性能是完全不同的。
这两类特征是互补的。融合时间和频率特征可以为电力设备中轧制机械的故障诊断提供更多信息线索。
此外，故障特征可以在多尺度上表示，获得不同的故障诊断性能。典型的多尺度架构堆叠多尺度时间特征以生成高维特征向量。
为了实现灵活的融合，在中间层引入了融合计算，这样就可以结合分层激活。
先前的研究调查了时域多尺度特征在故障诊断中的性能，证明了跨多尺度因素共享学习的优势。
二、故障诊断
随着智能工业系统的发展，自动故障诊断方法得到发展，以确保生产和机械安全。
振动为故障表示提供了信息线索，因为它们可以呈现正在运行的机械的瞬态状态。
为了表示振动信号，传统的频率分析方法在特征提取中得到了广泛的研究。例如，傅里叶变换(FT) 已被用于故障表示和分类，因为它可以对振动信号的周期状态进行建模。
然而，频率特征的可表示性有限，因为它们忽略了运行机械的非平稳性。为了解决这个问题，已经开发了时频特征来表示时频域中振动信号的特征。
例如，短时傅里叶变换、WignerVille分布和小波变换(WT) 已在故障诊断研究中得到研究。
在这些方法中，WT 是最实用的一种，因为它具有松弛的结构并且可以有效地缓和时频特征的时间分辨率。
值得注意的是，频率和时频特征在开创性方法中更受欢迎，而时域特征由于对机械故障的表示能力较弱而在很大程度上被忽略了。
后来随着各种深度学习方法的发展，时间特征在这个领域的应用越来越多。深度学习方法的优势在于具有很强的抽象能力，可以提取出内在的、有代表性的故障诊断线索。
与传统特征相比，深度学习特征在诊断性能上取得了显着飞跃。在这个领域，开创性的研究主要集中在卷积网络上。
例如，从振动信号中提取统计特征，然后输入单层卷积网络进行故障识别。
此外，还构建了一个简单的卷积网络来处理频率特征，用于识别轴承状况。除了原始信号之外，精细化的特征已被用作 2-D CNN的输入。
有多种方法，例如，统计模型和小波变换。此外，特征图是由多中心频率和振动频率生成的谱，然后将其输入 2D-CNN 进行齿轮故障识别。
三、共同注意学习
共同注意学习因其选择判别特征的能力而突出。近年来，协同注意力学习被多个领域的学者研究和应用。
原则上，注意力机制被设计成一个模块，往往依赖于各种网络主干，例如RNN、CNN和GNN等，目的是提高现有网络的特征提取性能。
在基于编码器-解码器框架的自然语言处理中评估了注意力机制（NLP）表明注意力机制有助于学习图像和语言之间的远程相关信息。
例如，共同注意模型用于对图像和相应的问题信息进行联合推理。此外，还结合了共同注意变换器来共同学习图像信息和自然语言的一致表示。
为了防止信息丢失，上下文到查询的注意力和查询到上下文的注意力机制在一个紧凑的架构中被联合利用。
此外，注意力机制已经在计算机视觉任务中进行了评估，展示了远程和全局相关表示的能力。为了进一步探索注意力机制，已经建立了许多注意力网络。
一个典型的例子是 Transformer 网络, 可以通过self-attention提取特征。
此外，还有许多努力致力于基于 Transformer 学习的计算机视觉任务，这些任务已经取得了可与 CNN 相媲美的性能。
例如，self-attention 机制已被用于提取全局依赖。
提出了一种渐进式注意力机制，以构建一个能够全面整合多层次上下文信息的新型注意力网络。
此外，还构建了一个双注意力网络来为图像分割任务提取丰富的特征。GAN 架构中引入了自注意力机制，以提高图像生成性能。
为了模拟不同线索之间的相关性，在许多研究中提出了共同注意的概念。
四、CDCAN 的动机和新颖性
先前关于时域和频域故障诊断的研究证明了故障诊断的不同性能。已经证明，时间特征可以呈现振动信号的时间变化，而频率特征具有全局表示的能力。
融合时域和频域的特征可能有助于提高诊断性能。此外，与单尺度模型相比，多尺度处理策略获得了优越的性能。很少有人致力于跨时域和频域融合多尺度特征。
这个问题激发了本文的研究。此外，共同学习网络被构建为自适应融合多域特征，可以跨时域和频域选择最重要的通道。
五、跨域共同注意网络
本研究调查了时域和频域中振动特征的多尺度因素。此外，使用所提出的 CDCAN 提取跨时域和频域的共享一致性。
后端分类器是用分层全卷积计算构建的。总之，所提出的CDCAN包括三个连续阶段：初始特征提取阶段、共同注意学习阶段和分类阶段。
六、CDCAN讨论
在CDCAN的初始特征提取块中，我们综合提取了具有相互补偿性质的时间和频率特征。
这两类物理特征帮助我们找到故障识别的内在本质。为了进一步提高故障特征的可表示性，深度学习利用网络融合时域和频域的物理特征。
特别地，共同注意学习架构被构建为将物理特征融合并映射到高代表性域中。
共同注意学习机制中的通道加权是需要的，因为它可以根据通道差异提取特征。
因此，可以突出显示最重要的特征通道，而抑制不重要的通道。我们 CDCAN 中的共同注意学习机制改进了以特征向量为条件的动态，有助于提高特征的泛化性和可辨别性。
这一特性是 CDCAN 卓越性能的基础。
七、交叉负载实验
我们的 CDCAN 赢得了第一名，这明显优于第二名，即 XCN。
此外，由于单负载实验和交叉负载实验结果的性能退化，帕德博恩数据集在故障诊断方面比 CWRU 数据集更具挑战性。
XCN 和 ICN 提供的结果与我们的 CDCAN 更具可比性，比其他的更好。结合CWRU和Paderborn 数据集的结果，可以得出结论，我们的CDCAN 可以获得令人满意的轴承故障诊断结果，与以前的诊断方法相比具有更好的正确性和泛化性。
八、消融研究
CDCAN 的特点是其双流架构。为了评估 CDCAN 不同模块的性能，对 Paderborn 数据集进行了消融研究。
之所以选择 Paderborn 数据集，是因为它具有挑战性，因此可以突出性能差异。我们一次从整个架构中删除块或流。
结果，生成了 4 种方法，并与该消融研究中的原始 CDCAN 进行了比较。
九、可视化
为了更好地理解我们提出的 CDCAN 的好处，应用了t-SNE技术来可视化原始振动数据和学习特征。
其中不同的状态用不同的颜色标记。左侧面板显示原始振动，而特征图显示在右侧面板中。
它观察到特征学习可以减少类间差异，而学习后类内差异增加。
这种性质大大降低了后端分类的难度，实现了简单的分类。
十、结论
本研究提出了一种新颖的跨时域和频域共同注意学习，用于轴承和齿轮箱的故障诊断，这是输变电设备中的两个关键元件。
所提出的 CDCAN 的主要贡献在于它可以通过共同注意机制自适应地融合时间和频率特征。
从理论上讲，跨多域的互补性可以呈现故障的内在属性，与以往的方法相比，这为更好地进行故障诊断奠定了基础。
特别是，CDCAN 证明了信号负载和交叉负载的故障诊断正确性有所提高。
这些结果无疑表明，CDCAN 是处理当前机械故障诊断研究中具有挑战性的问题的首选。
而且，CDCAN 的另一个优点在于它可以推广到不同的机器。在未来的工作中，我们将致力于将 CDCAN 扩展到具有不同物理意义的信息，例如机器的电流和温度状态。
参考文献
1.C Malla , I. Panigrahi使用振动分析和其他技术对滚动轴承进行状态监测的综述( 2019 )
2.AB Alhassan , X Zhang , H Shen , H. Xu输电线路巡检机器人：回顾、趋势和未来研究的挑战( 2020 )
3.G. 于用于轴承故障诊断的集中时频分析工具（2019）
4.Z 高，C Cecati ，SX。 丁故障诊断和容错技术综述 - 第一部分：使用基于模型和基于信号的方法进行故障诊断。( 2015 )
5.M He , D. He基于深度学习的轴承故障诊断方法。( 2017 )