1D-CNN结合注意力机制的轴承故障诊断实践

1. 项目概述：当1D-CNN遇上注意力机制

滚动轴承作为旋转机械的核心部件，其健康状态直接影响整机运行安全。传统振动信号分析方法依赖人工特征提取，而基于1D-CNN的智能诊断方法能自动学习信号特征。我在工业现场实施故障诊断系统时发现，单纯使用CNN对微弱早期故障的敏感度不足——这正是引入注意力模块的价值所在。

这个项目完整复现了结合SimAM注意力模块的1D-CNN诊断模型，相比传统方案有三个显著优势：

1. 时域信号直接输入，省去繁琐的时频变换
2. 注意力机制自动聚焦故障特征频段
3. 端到端训练实现95%+的准确率（实测Case Western数据集）

关键工具链：Python 3.8 + PyTorch 1.12 + Jupyter Lab环境，建议使用RTX3060及以上显卡加速训练

2. 核心架构设计解析

2.1 1D-CNN的工业适配性设计

滚动轴承振动信号是典型的一维时序数据，采样频率通常在12kHz-48kHz范围。我们采用如图1所示的5层卷积结构：

python复制class ConvBlock(nn.Module):
    def __init__(self, in_ch, out_ch, kernel=3):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv1d(in_ch, out_ch, kernel, padding='same'),
            nn.BatchNorm1d(out_ch),
            nn.ReLU(),
            nn.MaxPool1d(2)
        )
    def forward(self, x):
        return self.conv(x)

关键参数设计逻辑：

• 卷积核大小：通过网格搜索确定3-5点最佳，过大导致频域分辨率下降
• 池化策略：最大池化保留冲击特征，步长2实现4倍降采样
• 通道数：遵循16→32→64→128的指数增长规律

2.2 SimAM注意力模块的轻量化改造

原版SimAM(Siamese Attention Module)是为图像设计，我们对其进行了时序适配：

python复制class SimAM_1D(nn.Module):
    def __init__(self, channels, gamma=0.5):
        super().__init__()
        self.gamma = nn.Parameter(torch.ones(1)*gamma)
        
    def forward(self, x):
        b, c, l = x.shape
        n = l - 1
        x_minus_mu_square = (x - x.mean(dim=2, keepdim=True)).pow(2)
        y = x_minus_mu_square / (4*(x_minus_mu_square.sum(dim=2, keepdim=True)/n + 1e-6)) + 0.5
        return x * torch.sigmoid(self.gamma * y)

创新点说明：

1. 将2D特征图计算改为1D时序计算
2. 引入可学习参数γ动态调节注意力强度
3. 计算复杂度从O(n²)降至O(n)

3. 完整实现流程

3.1 数据准备与增强

使用Case Western Reserve University轴承数据集时，需特别注意：

python复制def preprocess(raw_signal):
    # 带通滤波 500Hz-5kHz
    b, a = butter(4, [500, 5000], btype='bandpass', fs=12000)
    filtered = filtfilt(b, a, raw_signal)
    
    # 随机切片增强
    start = np.random.randint(0, len(filtered)-1024)
    segment = filtered[start:start+1024]
    
    # 标准化
    return (segment - np.mean(segment)) / np.std(segment)

重要经验：不同故障类型的样本均衡至关重要。内圈/外圈/滚动体故障样本比例建议控制在1:1:0.8

3.2 模型训练技巧

采用两阶段训练策略提升收敛效率：

python复制# 第一阶段：冻结注意力层
for param in model.simam.parameters():
    param.requires_grad = False
optimizer = Adam(model.cnn.parameters(), lr=1e-3)

# 第二阶段：联合微调
unfreeze_all_parameters()
optimizer = Adam(model.parameters(), lr=5e-5)
scheduler = CosineAnnealingLR(optimizer, T_max=50)

关键参数记录：

• Batch Size: 256 (需根据GPU显存调整)
• 初始学习率: CNN层1e-3, 注意力层5e-5
• 早停策略: 连续10个epoch验证集损失未下降

4. 工业部署优化方案

4.1 模型轻量化压缩

为适配边缘设备部署，我们采用以下优化组合：

1. 通道剪枝：移除CNN中贡献度<5%的通道
2. 参数量化：FP32转INT8精度损失<0.5%
3. 注意力简化：将SimAM替换为ECA-Net模块

python复制# 量化示例
model = torch.quantization.quantize_dynamic(
    model, {nn.Linear, nn.Conv1d}, dtype=torch.qint8
)

4.2 实时诊断流水线设计

构建如图2所示的实时处理流程：

code复制[振动传感器] → [抗混叠滤波] → [AD采样] → [预处理] → [模型推理] → [结果可视化]

关键性能指标：

• 单次推理耗时：<2ms (RTX3060)
• 内存占用：<50MB
• 支持最长200ms延迟的实时诊断

5. 典型问题排查指南

5.1 准确率波动问题

现象：验证集准确率在±15%范围内波动
解决方案：

1. 检查数据增强中的随机切片是否重叠
2. 验证BN层在eval模式下的运行状态
3. 增加Label Smoothing缓解过拟合

python复制criterion = nn.CrossEntropyLoss(label_smoothing=0.1)

5.2 注意力失效分析

当注意力权重呈现均匀分布时：

1. 检查γ参数是否被正确训练
2. 验证输入特征的尺度范围（建议[-3,3]）
3. 尝试降低初始学习率（建议<1e-4）

6. 进阶优化方向

在实际项目中，我们进一步探索了以下优化方案：

1. 多传感器融合：同步分析振动+温度+声发射信号
2. 时频联合注意力：在STFT频谱上应用二维注意力
3. 迁移学习：在PHM2009数据集上预训练

python复制# 时频注意力示例
spec = torch.stft(x, n_fft=64)
spec_att = SimAM_2D()(spec.abs())