006基于小波变换和改进ResNet的噪声环境下滚动轴承故障智能诊断Intelligent fault diagnosis of rolling bearing based on wavelet tr_swin transformer 与轴承故障诊断

引言

（1）在实际的工业应用中，传统的故障诊断方法受到噪声标签和环境的影响
（2）文提出了一种基于小波变换(WT)和改进残差神经网络(IResNet)的RB的FD方法，命名为WT-IResNet
滚动轴承（RB）的故障诊断（FD）
（3）提出的WT IResNet方法使用新的池化层进行降维，并使用全局奇异值分解（SVD）自适应策略进行特征提取。
（4）将原始的softmax层和用于训练的逻辑损失替换为包含两个可调参数的新损失函数，以解决带有标签噪声的故障诊断问题
（5）使用两个典型的轴承故障数据集分别评估了WT-IResNet在嘈杂标签和嘈杂环境下的可行性和有效性
（6）与其他方法相比，WT-IResNet对噪声具有更好的鲁棒性。不论是在嘈杂标签还是嘈杂环境下，WT-IResNet的性能都优于其他方法

结论

（1）在本文中，通过将小波变换（WT）和改进的ResNet结合起来，提出了一种名为WT-IResNet的滚动轴承智能故障诊断方法。
（2）这种新颖的方法使用WT将原始振动信号转换成时频图像。为了消除噪声标签的干扰，采用了一个新的损失函数，其中包含两个可调参数，用于替代原始的对数损失函数进行训练。4
（3）通过充分利用奇异值分解（SVD）在降维方面的优势，我们的方法可以提取更多有用的特征信息。
（4）此外，新颖的全局SVD自适应策略强化了特征图和类别之间的对应关系，并在整体结构中本质上防止了过拟合。
（5）最后，两个案例研究表明，在噪声标签和环境下，WT-IResNet的性能是令人满意的。

这项研究只是基于监督学习实现了令人满意的故障诊断结果。然而，在实际工业应用中，很难确保获得足够的有标签样本。在未来，将测试和改进所提出的方法与半监督学习或无监督学习相结合的性能

介绍

滚动轴承作为一种重要的机械部件，广泛应用于各种工程设备中，其健康状况对工程设备的安全性和稳定性有着相当重要的影响（Jin et al，2022；李等人，2020）。RB一旦失效，很容易引发灾难性后果（钱等，2022；程等，2021）。由于RB的振动传递路径复杂，RB的故障难以准确诊断（Wei et al.，2020）。
为了确保工程设备的运行稳定性和系统安全，对先进的滚动轴承故障诊断方法提出了更高的要求（Schwendemann et al.，2021）。
（1）总结文献可以发现
轴承的故障诊断分为四类：
基于模型的、基于经验的、传统的机器学习，深度学习
基于模型：建立一个数学模型来描述某些特定故障
基于经验：需要先验知识来进行推理和诊断（Guo 等人，2022 年）
由于现代工程设备的复杂性和先验知识的缺乏，很难建立一个准确有用的
模型（Xu 等人，2022b）
传统的机器学习方法：这种方法通常需要人工进行特征提取和特征选择，过分依赖研究人员的专业经验和专业知识
深度学习方法具有无可比拟的优势：它可以自适应地捕捉监测数据中的故障特征，它可以自适应地从监测数据中捕捉故障特征，并以端到端的方式完成 RB 的故障诊断

（2）
不可否认，了卓越的诊断结果。然而，这些研究通常侧重于如何利用更少的训练数据如何利用更少的训练数据来学习目标的更多特征信息，从而获得比传统机器学习（TML）方法更高的诊断精度
事实上，这与 事实上，这与实际故障诊断场景并不一致。在实际故障诊断场景中，借助一些数据增强方法，如重叠样本、旋转图像等，可以轻松获得大量训练样本，都能实现近 100% 的准确率

（3）因此，
应更加关注诊断模型在实际工业应用中的适应能力。诊断模型在实际工业场景中的适应能力。具体来说 具体来说，可以从噪声环境和噪声标签两个方面进行评估。

问题一：

采集信号中不可避免地存在大量的噪声，这使得信号的质量很难得到保证
应用于神经网络的卷积核和池核通常充当局部特征提取器。在信号噪声的干扰下，由于局部特征提取器难以检测相关故障特征，神经网络的特征学习能力受到显著影响。

当面对具有大量噪声的信号时，诊断性能的下降是显而易见的。

问题二：

在实践中，由于标注专业知识不足、标注工作量巨大复杂或数据预处理错误，训练标签与真实类别不匹配的可能性很大，嘈杂的标签是不可避免
分类器通常通过最小化真实标签和预测标签的误差来实现高诊断精度
在这种情况下，一旦滚动轴承的标签包含一些错误，错误的信息就会被发送到分类器，诊断性能将显著降低，限制了它们在现实场景中的应用。
与噪声环境（信号噪声）相比，噪声标签对诊断算法的分类性能有更严重的影响：
（1）信号特征的维数比标签大得多
（2） 信号组成的重要性各不相同。如果噪声是在不重要的信号组成中，则对故障诊断结果的影响将非常小
而标签都会对结果产生重大影响（Zhang等人，2021b）
为了解决噪声标签下的分类问题，一种方法是去除带有噪声标签的样本，这面临着噪声标签样本判别和训练样本减少的挑战（聂和谢，2021；蒲和李，2021）
另一种方法是用有噪声的标签重新标记样本。然而，这可能会引入其他嘈杂的标签（Huang等人，2021）
最常用的方法是损失校正，通常通过重新加权原始交叉熵损失函数来进行（Zhang等人，2022；Arazo等人，2019） 然而，在该方法中，通常不可避免地要预先指定加权函数和一些额外的超参数，这使得它相对难以被广泛采用

问题三（导论）：

如何实现高精度、对噪声具有良好鲁棒性的故障诊断方法，特别是在噪声标签下的故障诊断方法，是一个重要的挑战
本文提出了一种基于改进ResNet的噪声标签和环境下滚动轴承故障诊断方法
所有设计了一种由小波变换(WT)和改进的ResNet组成的智能方法
（1）通过小波变换将原始信号转换为时频(TF)图像
（2）将网络中的奇异值分解(SVD)与池化层相结合，采用新的池化层和全局SVD自适应策略进行降维
（3）为了提高对噪声的鲁棒性，采用softmax的双温泛化来代替原有的softmax层和对数损失进行训练。最后，分别在噪声标签和噪声环境下对模型进行训练

本研究的主要贡献总结如下:

（1）

将小波变换与改进的Resnet相结合，提出了一种新的滚动轴承FD方法WT- iresnet 该方法对噪声具有较强的鲁棒性，在噪声标签和噪声环境下仍能保持良好的性能

（2）

提出了一种新的降维方法来代替传统的池化层 使用新的损失函数来代替原有的softmax层，设计了一种新的IResNet模型

（3）
代替原有的全连接层在CNN中进行分类，提出了一种新的全局SVD自适应策略，取每个特征映射的最大奇异值，将结果向量直接发送到修正的oftmax层中，不仅更有意义和可解释，而且从本质上防止了整体结构的过拟合

理论基础

1.小波变换

与时域或频域的一维信号相比，图像是一个二维数据矩阵，包含了更多更丰富的特征信息，因此可以用来表示更复杂的数据分布。
对于人类来说，从直观的图像中学习特征比从抽象的数据中学习相对容易，这意味着在CNN的学习过程中，将信号转化为图像可能是一种合适的方式(Fu et al, 2017)
目前

Wigner-Ville (WV)分布
Hilbert变换(HHT)
短时傅立叶变换(STFT)
小波变换(WT)

被广泛应用于TF图像的获取
但是
（1）Wigner-Ville (WV)分布分布可能会引起内在交叉干扰项的问题。
高温会产生严重的边界效应，对原始数据造成污染
（2）
短时傅立叶变换(STFT)的窗口大小是不变的
（2）
小波变换克服了上述方法的缺点，具有变窗特性和较强的时频特征提取能力(Xia et al .， 2018;Chen et al .， 2016;Malhotra et al, 2021)。

本研究采用小波变换将一维信号转换为二维的TF图像

小波变换

小波变换作为一种时频分析方法，近10年来发展迅速。原始信号可以通过小波变换分解为多个振荡函数，振荡函数来自母小波的平移和缩放(Wang et al, 2018)。为了提取故障特征，WT求解初始信号与小波基函数的卷积

其中