基于1D-CNN与注意力机制的轴承故障智能诊断实践

1. 项目背景与核心价值

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统振动分析依赖专家经验，而基于深度学习的智能诊断方法正在改变这一领域。这个项目复现了结合注意力机制与1D-CNN的轴承故障诊断方案，相比传统频谱分析具有三个显著优势：

1. 自动特征提取：原始振动信号直接输入，省去人工特征工程
2. 注意力增强：关键故障特征被动态加权，提升微弱故障的识别率
3. 端到端训练：从原始信号到故障类型输出一气呵成

我在某风电设备厂商实施类似方案时，曾将诊断准确率从传统方法的87%提升到96.3%，同时将新故障类型的适配周期从2周缩短到3天。这个复现项目特别适合两类读者：

• 机械专业背景想转型智能诊断的工程师
• 深度学习从业者探索工业场景应用

2. 核心架构解析

2.1 1D-CNN设计要点

原始论文采用的卷积结构经过特殊优化：

python复制Conv1D(64, kernel_size=3, strides=1, padding='same')  # 第一层卷积
BatchNormalization()
ReLU()
MaxPooling1D(pool_size=2)

关键设计考量：

• 小卷积核（3-5）更适合捕捉振动信号中的局部突变
• 步长设为1避免丢失瞬态冲击特征
• 池化层逐步压缩序列长度，但通过实验发现pool_size=2优于更大值

注意：工业振动信号采样率通常为12.8kHz或25.6kHz，输入长度建议设为1024或2048点，对应约0.1秒时长

2.2 注意力模块实现细节

采用的CBAM（Convolutional Block Attention Module）变体包含：

1. 通道注意力：通过全局平均池化生成通道权重
2. 空间注意力：用1x1卷积学习空间位置重要性

实测发现两个调参技巧：

• 在通道注意力层后添加Dropout(0.2)防止过拟合
• 空间注意力采用sigmoid激活比softmax效果更好

3. 完整复现流程

3.1 数据准备规范

推荐使用凯斯西储大学（CWRU）轴承数据集：

• 驱动端轴承数据更典型
• 负载0HP/1HP/2HP/3HP都要包含
• 故障直径建议选择0.007/0.014/0.021英寸三种

数据预处