一、实验数据描述

采用凯斯西储大学（CWRU）轴承公开数据样本进行实验分析，选取48K采样频率不同负载下的故障轴承振动数据对模型进行测试。滚动轴承的健康状态可分为10类， 本次实验测试样本选取用1 hp 下 10 种故障状态振动信号，构建数据集，每类样本长度为1024，其中，随机选择70%的样本作为训练集对模型进行训练，30%的样本作为测试对模型进行测试。具体信息如下。

二、模型框架

本次的混合神经网络故障诊断模型主要由CNN层、BiLSTM层、注意力层组层以及softmax层组成，模型结构如下所示。

三、模型诊断性能验证

使用创建的数据集对模型进行训练，同时保存训练好的模型，模型训练过程中的准确率曲线和损失率曲线如下图所示。从图中可以看到，模型训练效果良好，没有出现过拟合现象。

为了细化模型的故障诊断情况，分别使用0hp、1hp、2hp、3hp负载下的数据对模型进行测试，并采用混淆矩阵来表示故障诊断结果。

从混淆矩阵中可以看到，只有部分样本被识别错误，大部分样本都能100%的识别出来。综合四幅图来看，负载为0hp和1hp条件下，诊断结果更好一些。为更清楚的表示模型的特征提取能力，引入t-SNE对模型的各个网络层进行特征降维并可视化，限于篇幅原因，仅对负载为1hp情况下的特征提取情况进行展示，如下图所示。

输入层为时域信号的t-SNE可视化结果，不同健康状态的数据相互混合在一起，聚类效果极其差。从卷积层的t-SNE可视化结果可以看到，部分同类样本已经有了开始聚合的趋势，随着网络层的深入，BiLSTM第二层的t-SNE可视化结果大部分样本已基本完成了分类，只有少部分的样本混在其他类型的样本中，最终在注意力层聚类效果更加明显，与上图混淆矩阵的结果相符，也证明了该模型具有优越的诊断能力。

四、载荷变化情况下诊断性能验证

在载荷恒定条件下，模型虽然取得不错的诊断结果。然而，在实际工作中，轴承的载荷是变化的。为进一步验证本文方法的泛化能力，将进行载荷变化条件下诊断性能测试。分别使用载荷为1hp、2hp、3hp的训练样本对模型进行训练，采用其余的测试样本对模型的泛化能力进行测试。结果如下。可以看到模型可适用于载荷变化条件下的故障诊断。