目录

1. ​引言与背景总结​

2. ​方法框架总结​

3. ​训练策略总结​

4. ​实验验证总结​

核心代码实现（PyTorch框架）

​1. SNN特征提取器（多尺度卷积模块）

​结论与未来工作总结​

---

 

1. ​引言与背景总结​

• ​问题陈述​：电机轴承是工业设备中的关键组件，其故障可能导致严重安全和经济损失。传统深度学习故障诊断方法依赖大量高质量数据，但在实际工业场景中，故障样本往往稀缺（小样本问题），且正常样本远多于故障样本（数据不平衡问题），导致模型性能下降。现有方法如迁移学习（transfer learning）、生成对抗网络（GAN）和过采样技术（如SMOTE）存在局限性，例如需要辅助数据或生成样本质量低。
• ​解决方案动机​：论文提出使用Siamese Neural Networks（SNNs）处理小样本问题。SNNs通过比较样本对（sample pairs）来学习特征相似性，减少了对大量数据的依赖。然而，SNNs易受训练停滞（training stagnation）问题影响，导致特征提取不足。为此，方法引入多阶段训练策略和多源特征融合，以提升鲁棒性。
• ​主要贡献​：论文的创新点包括：(1) 提出多阶段训练策略缓解SNNs的训练停滞；(2) 设计多源特征融合网络，整合振动、电流等多传感器数据；(3) 验证方法在两个真实数据集上的有效性，证明其在小样本场景的优越性。

2. ​方法框架总结​

方法分为两个核心框架：SNN-based特征提取框架和multi-source特征融合框架。整体结构如图2所示：

NN-based特征提取框架​：

• ​结构描述​：SNN由两个对称子网络组成，共享权重（如图1）。输入样本对（如 Xa​ 和 Xb​) 被映射到特征空间，计算欧氏距离 Ew​=∥Gw​(Xa​)−Gw​(Xb​)∥ 作为相似性度量。距离小表示同类样本，距离大表示不同类样本。

 

图1 

特征提取器设计​：子网络采用基于Inception模块的多尺度卷积模块（Multi-scale Convolution Module, MCM），如图3和图4。MCM使用不同尺寸卷积核（如1x1、1x3、1x7）捕获多尺度特征，减少参数同时丰富信息。例如： 

图3 

图4 

 

• • 优势​：SNN通过样本对输入（n个样本生成n(n-1)个样本对），有效扩增样本量，缓解小样本问题。

• ​Multi-source特征融合框架​：

  • ​结构描述​：融合网络整合来自多个传感器（如振动和电流）的特征。如图5，特征提取器输出通过注意力机制（attention mechanism）融合，结合残差连接保留原始信息。

图5 

 融合策略​：采用通道注意力机制（如图6）。步骤包括：(1) 对传感器特征（如 FA​ 和 FB​) 进行全局平均池化和最大池化；(2) 生成全局表示 Fg​；(3) 通过SoftMax生成激励信号 PA​ 和 PB​；(4) 门控机制融合特征：F=(PA​⊗FA​+FA​)+(PB​⊗FB​+FB​)，其中 ⊗ 表示点积。

图6 

 

3. ​训练策略总结​

• ​多阶段训练过程​：缓解SNN训练停滞问题，分三个阶段：
  • ​阶段1（特征提取器预训练）​​：单独训练特征提取器（使用振动或电流数据），采用交叉熵损失函数（Cross-Entropy Loss）和Adam优化器。输出SoftMax分类结果，初始化权重。
  • ​阶段2（SNN训练）​​：初始化SNN与预训练权重。输入样本对，标签 YL​(Xa​,Xb​)=δXa​,Xb​​（同类为1，不同类为0）。损失函数为联合损失（Joint Loss）：LJ​=λ1​Lctr​+λ2​(Lcls−a​+Lcls−b​)，其中 Lctr​ 是对比损失（Contrastive Loss），最小化同类距离并最大化异类距离；Lcls​ 是分类损失。超参数设置：批大小128、学习率0.001。
  • ​阶段3（特征融合网络训练）​​：使用阶段2的权重初始化融合网络，整合多源特征用于最终分类。
  • ​训练效果​：如图9所示，多阶段训练显著提升准确率。例如，预训练阶段单个传感器准确率仅65-76%，SNN阶段提升至80-83%，融合阶段达94%。

 图9

4. ​实验验证总结​

实验在两个数据集上进行：Case 1（公共数据集）和Case 2（实验室数据集），评估方法在小样本和数据不平衡场景的性能。

• ​数据预处理​：如图7，包括滑动窗口分割、域变换（如离散余弦S变换和包络谱变换），将时域、频域和时频域数据融合，丰富输入信息。

  

图7 

Case 1（Paderborn大学数据集）​​：

• ​数据集​：包括健康轴承和5种故障类型（如表1），在不同工况（转速、负载）下收集振动和电流数据。样本按比例 λ（健康样本与故障样本比）分组，模拟不平衡（如表2）。

 

 

 

图8 

结果​：

• ​准确率​：当 λ=10（高度不平衡），方法准确率达94%（图10e），远高于传统方法（如CNN、SVM仅50%）。混淆矩阵显示（图10），方法在各类故障上均表现稳健。

 

图10 

消融实验​：图11比较各训练阶段。单传感器预训练（Vib-FET）在 λ<3 时准确率90%，但 λ=10 时降至75%；直接融合（FFT）在平衡时达96%，但不稳定；多阶段训练（Proposed）保持一致性（λ=10 时94%）。 

 

图11 

与传统方法比较​：图12显示，方法优于CNN、LSTM、SMOTE和DCGAN，尤其在 λ=10 时F1-score达0.93。 

图12 

 ​特征可视化​：图13显示t-SNE降维后，各类故障特征聚类明显，证明方法特征提取能力。

图13 

 

Case 2（实验室数据集）​​：

• ​数据集​：收集振动和电压数据（如图15），包括4种故障类型（如表7）。实验组按传感器通道分组（如表6）。

 

图15 

结果​：类似Case 1，方法在 λ=10 时准确率93%（图18e）。消融实验（图19）和比较实验（图20）证实多阶段训练和融合的优越性，传统方法（如SVM）准确率降至40%。 

图18 

 

图19 

图20 

 

核心代码实现（PyTorch框架）

​1. SNN特征提取器（多尺度卷积模块）

import torch
import torch.nn as nnclass MultiScaleConvModule(nn.Module):def __init__(self, in_channels):super().__init__()# MCM1结构（图4a）self.branch1 = nn.Conv1d(in_channels, 16, kernel_size=1)self.branch3 = nn.Conv1d(in_channels, 32, kernel_size=3, padding=1)self.branch7 = nn.Conv1d(in_channels, 32, kernel_size=7, padding=3)# MCM2结构（图4b）self.branch1x1 = nn.Conv1d(80, 64, kernel_size=1)  # 输入通道=16+32+32self.branch1x3 = nn.Conv1d(80, 64, kernel_size=3, padding=1)def forward(self, x):# 多尺度特征并联x1 = nn.ReLU()(self.branch1(x))x3 = nn.ReLU()(self.branch3(x))x7 = nn.ReLU()(self.branch7(x))x_concat = torch.cat([x1, x3, x7], dim=1)  # 沿通道维度拼接# 多尺度特征融合x1x1 = nn.ReLU()(self.branch1x1(x_concat))x1x3 = nn.ReLU()(self.branch1x3(x_concat))return x1x1 + x1x3  # 残差连接class FeatureExtractor(nn.Module):def __init__(self):super().__init__()self.conv1 = nn.Conv1d(1, 16, kernel_size=16, stride=1)self.conv2 = nn.Conv1d(16, 32, kernel_size=32, stride=2)self.mcm1 = MultiScaleConvModule(32)self.mcm2 = MultiScaleConvModule(64)  # 输入通道与MCM1输出一致self.pool = nn.AdaptiveAvgPool1d(1)  # 全局池化def forward(self, x):x = nn.ReLU()(self.conv1(x))x = nn.ReLU()(self.conv2(x))x = self.mcm1(x)x = self.mcm2(x)return self.pool(x).squeeze(-1)  # 移除时间维度

 2. 多源特征融合网络（带注意力机制）​

class AttentionFusion(nn.Module):def __init__(self, feature_dim, reduction_ratio=16):super().__init__()self.compression = nn.Sequential(nn.Linear(feature_dim * 4, feature_dim // reduction_ratio),  # 公式(4)nn.ReLU(),nn.Linear(feature_dim // reduction_ratio, feature_dim))self.softmax = nn.Softmax(dim=1)def forward(self, feat_a, feat_b):# 全局平均池化与最大池化（公式2-3）avg_a = torch.mean(feat_a, dim=1)max_a, _ = torch.max(feat_a, dim=1)avg_b = torch.mean(feat_b, dim=1)max_b, _ = torch.max(feat_b, dim=1)# 全局特征拼接（公式4）global_feat = torch.cat([avg_a, max_a, avg_b, max_b], dim=1)compact_feat = self.compression(global_feat)# 通道注意力权重（公式5）pa = self.softmax(compact_feat[:, :feat_a.shape[1]])  # 分割激励信号pb = self.softmax(compact_feat[:, feat_a.shape[1]:])# 特征融合（公式6）fused = (pa.unsqueeze(-1) * feat_a + feat_a) + \(pb.unsqueeze(-1) * feat_b + feat_b)return fused

​结论与未来工作总结​

• ​主要结论​：方法有效解决了电机轴承故障诊断中的小样本和数据不平衡问题。SNN的多阶段训练缓解了训练停滞，特征融合提升了多源数据利用率。实验证明，在两个数据集上，方法在高度不平衡（λ=10）时准确率均超93%，优于传统方法。
• ​贡献强调​：(1) 多阶段训练策略为SNNs提供新优化路径；(2) 多源融合网络增强特征表示；(3) 方法通用性强，适用于不同传感器和工况。
• ​未来工作​：包括(1) 扩展至其他故障诊断任务；(2) 结合优化算法（如遗传算法）调参；(3) 开发深度融合方法处理极端场景；(4) 整合模型驱动方法提升鲁棒性。