《Digital Signal Processing》：Bearing Fault Diagnosis via PCA-Constrained Recursive Angular Matrix and Attention-Enhanced CNN
编辑推荐：
为解决传统一维轴承振动信号特征表征能力不足及时频刻画能力有限的问题，研究人员提出了一种融合主成分分析约束递归角矩阵(PCA-Constrained Recursive Angular Matrix, PCA-RAM)与注意力增强卷积神经网络(Attention
为解决传统一维轴承振动信号特征表征能力不足及时频刻画能力有限的问题，研究人员提出了一种融合主成分分析约束递归角矩阵(PCA-Constrained Recursive Angular Matrix, PCA-RAM)与注意力增强卷积神经网络(Attention-Enhanced CNN)的新型故障诊断框架。首先，利用PCA提取振动信号的主导全局变化模式，在此基础上构建递归角矩阵，将一维时间序列转换为纹理丰富的RGB图像，以实现故障相关冲击特征的多尺度表示。随后，研究人员设计了一种嵌入卷积块注意力模块(Convolutional Block Attention Module, CBAM)的轻量化CNN架构，通过通道注意力与空间注意力的双重机制选择性增强有判别力的故障特征并抑制冗余信息，训练过程采用稀疏分类交叉熵损失(Sparse Categorical Cross-Entropy Loss)。在凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集上的实验结果表明，所提方法在五类故障诊断任务中平均分类准确率达99.10%，显著优于格拉姆角差场(Gramian Angular Difference Field, GADF)和格拉姆角和场(Gramian Angular Summation Field, GASF)等传统基于图像的转换方法；该方法峰值诊断准确率达99.50%，优于其他代表性基准网络。此外，在自有QPZZ-II数据集上，所提方法平均准确率达91.3%，较基于GASF的方法提升17.8%；与MobileNetV2、GoogLeNet及VGG16等主流深度学习模型相比，所提方法在保持更优诊断性能的同时，模型参数量减少约80%—98%。结果表明，该框架在工业轴承故障诊断中具有有效性、轻量化及强泛化能力。
本文对发表于《Digital Signal Processing》的论文《Bearing Fault Diagnosis via PCA-Constrained Recursive Angular Matrix and Attention-Enhanced CNN》（Long Zhang, Jianping Yu, Jiayang Liu等，华东交通大学 交通基础设施智能运维技术与装备教育部重点实验室）进行解读总结。
滚动轴承是旋转机械中的关键部件，广泛应用于风力发电机、电动机及高铁中。统计表明约30%的旋转机械故障由轴承引起。传统轴承故障诊断依赖人工提取时域（均方根、峭度）和频域（功率谱密度、包络谱）特征，难以刻画故障信号固有的非线性与非平稳特性，且在变工况和高噪声下判别能力下降。直接对原始一维振动信号应用一维卷积神经网络(1D-CNN)难以捕获多尺度时序依赖与微弱故障特征，因此研究者将一维信号转换为二维图像再应用CNN。现有信号转图像方法如短时傅里叶变换(STFT)、连续小波变换(CWT)计算量大且需手动选参；格拉姆角场(GAF)极坐标变换易掩盖冲击信息；马尔可夫转移场(MTF)无法表征幅值变化；递归图(RP)及递归角矩阵(Recursive Angular Matrix, RAM)虽能揭示相空间隐含结构，但直接由原始信号重构相空间易受噪声干扰导致图像质量下降。主成分分析(Principal Component Analysis, PCA)可用于降噪并提取主导变化模式，但将PCA约束预处理与RAM成像相结合并应用于轴承故障诊断的研究尚属空白。标准CNN特征提取缺乏选择性，卷积块注意力模块(Convolutional Block Attention Module, CBAM)可通过通道与空间注意力增强判别区域，其在先进信号转图像轴承诊断中的结合应用亦有待探索。为此，研究人员提出PCA约束递归角矩阵(PCA-RAM)配合CBAM增强轻量CNN的轴承故障诊断新框架。
主要关键技术方法：
研究人员选用公开CWRU轴承数据集（驱动端，采样频率12 kHz，含滚动体、内圈、外圈单点电火花加工故障）及自有QPZZ-II工业轴承数据集作为样本队列。关键技术方法包括：①PCA对标准化后的一维振动信号段提取首若干主成分重构信号以获取全局主导变化模式并抑制噪声；②基于PCA重构信号进行相空间延迟嵌入，计算相点间夹角并映射至RGB三通道构建递归角矩阵(RAM)，形成纹理丰富之RGB故障图像(PCA-RAM)；③搭建轻量化卷积神经网络，在各卷积块间嵌入CBAM（先通道注意力后空间注意力），末端接全局平均池化与全连接层，采用稀疏分类交叉熵损失(Sparse Categorical Cross-Entropy Loss)与适宜优化器训练，并以准确率等指标评估。
研究结果：
Principal component analysis（主成分分析）
研究人员阐述PCA基本原理：通过对样本协方差矩阵特征值分解，选取最大特征值对应特征向量作新基，将相关观测变量转换为正交互不相关的主成分(Principal Components, PCs)，实现最优线性降维并保留全局变异信息，用于后续信号去噪与主导模式提取。
Overall framework of the method（方法的整体框架）
研究人员说明总体流程：原始一维振动信号经标准化→分段→PCA-RAM转换为RGB图像→输入嵌有CBAM之轻量CNN进行分层卷积特征提取与注意力精炼→全局特征聚合→全连接层输出故障类别。该框架旨在克服一维信号分析特征提取与表示的局限。
CWRU dataset（CWRU数据集）
介绍CWRU实验台构成（1.5 kW感应电机、扭矩传感器、功率测量及电控单元），振动信号采集自驱动端轴承(12 kHz)，滚动体/内圈/外圈用电火花加工引入人工单点故障，作为五分类（含正常）故障诊断实验基础。
Conclusion（结论）
研究人员得出结论：所提融合PCA-RAM与注意力增强轻量CNN之框架，通过将时间序列转换为可编码多尺度故障特征的富含纹理RGB图像，并借助CBAM选择性强化判别性故障特征，有效解决了传统一维振动信号分析中特征提取与表示不足的问题。在CWRU数据集五类故障诊断平均准确率达99.10%，峰值99.50%，优于GADF/GASF及代表基准网络；在QPZZ-II数据集平均准确率91.3%，较GASF法提升17.8%；参数量较MobileNetV2、GoogLeNet、VGG16减少约80%—98%而诊断性能更优，证明该方法具有效性、轻量化及强泛化能力，适于工业轴承故障诊断。
讨论总结（结论部分翻译）：
本研究提出一种融合主成分分析约束递归角矩阵(PCA-RAM)与注意力增强轻量化卷积神经网络(CNN)的新型轴承故障诊断框架，用于信号变换与故障分类。该方法通过将时间序列信号转换为能够编码多尺度故障特征的富含纹理RGB图像，并借助卷积块注意力模块(CBAM)选择性增强有判别力的故障特征，有效解决了传统一维振动信号分析中普遍存在的特征提取与表示局限性。实验结果表明所提方法在CWRU轴承数据集及自有工业数据集上均取得优异诊断精度与较强泛化能力，且模型参数量显著低于主流深度网络，验证了该框架在工业机器人轴承故障诊断中的有效性、轻量化特性及良好推广价值。
