箱型圖與特征融合模型在輪對軸承標簽混淆數據分類中的應用

摘要： 深度學習方法在列車輪對軸承故障診斷領域表現出了巨大的潛力，但其可以有效實現的前提是各類數據與類別標簽之間能夠正確匹配，對于含有少量標簽錯誤樣本的數據，傳統深度學習方法難以實現預期的診斷效果。針對此問題，提出了一種箱型圖法與特征融合模型相結合的故障診斷方法。利用列車輪對軸承實驗數據對所提方法進行驗證，結果表明，相比于直接利用傳統神經網絡模型進行故障診斷，本文所提方法的診斷準確率更高，說明本文方法對于含有少量標簽錯誤樣本的軸承數據具有更好的處理效果。

關鍵詞： 故障診斷； 輪對軸承； 標簽錯誤； 特征融合； 箱型圖

中圖分類號： TH165⁺.3； TH133.3""" 文獻標志碼： A""" 文章編號： 1004-4523（2025）01-0088-08

DOI：10.16385/j.cnki.issn.1004-4523.2025.01.010

The application of box graph and feature fusion model in the classification of wheel set bearing label confusion data

ZHANG Xiong^1，2， LI Jialu²， DONG Fan²， WU Wenbo²， WAN Shuting^1，2， GU Xiaohui³

（1.Hebei Key Laboratory of Electric Machinery Health Maintenance amp; Failure Prevention， Baoding 071003， China； 2.Department of Mechanical Engineering， North China Electric Power University， Baoding 071003， China； 3.State Key Laboratory of Mechanics Behavior and System Safety of Traffic Engineering Structures， Shijiazhuang Tiedao University， Shijiazhuang 050043， China）

Abstract： Deep learning methods have shown great potential in the field of fault diagnosis of train wheelset bearings， but their effective implementation is based on the correct matching between various types of data and category labels. For data with a small number of label error samples， traditional deep learning methods are difficult to achieve the expected diagnostic effect. To address this issue， this paper proposes a fault diagnosis method combining box graph method and feature fusion model is proposed to address this issue. In this method， the outlier in each group of bearing signals is removed by box graph method， and the remaining data is expanded by the SMOTE method to restore to the original data size； Input the processed sample data into the improved feature fusion model for fault identification and classification. The experimental data of train wheel bearings was used for validation. The results showed that compared to directly using traditional neural network models for fault diagnosis， the diagnostic accuracy of the method proposed in this paper is higher， indicating that the method has better processing performance for bearing data with a small number of label error samples.

Keywords： fault diagnosis；wheel set bearings；label error；feature fusion；box graph

輪對軸承作為列車運行的核心部件，其健康狀況會對列車的運行性能和安全狀況產生重要影響^［1?3］。因此，對列車輪對軸承進行及時有效的故障識別與診斷具有極其重要的意義^［4?5］。

深度學習具有極強的自適應特征提取能力^［6］，在軸承數據的分析過程中有效地減少了人工干預和經驗誤差，被越來越多的人用于列車軸承的故障診斷。楊劼立等^［7］先用最小熵解卷積方法對振動信號進行處理，然后將處理后的信號與原始振動信號組合構建二維張量圖，以此作為卷積神經網絡模型的輸入，進行列車軸承的故障識別與診斷。鄧飛躍等^［8］提出了一種輕量級神經網絡，通過分組卷積與深度可分離卷積提高了網絡的運行效率，通過通道混洗的方法提高了網絡的損失精度，相比于傳統神經網絡診斷效率有了極大提升。姚德臣等^［9］將軸承振動信號轉換為灰度圖，再用卷積神經網絡對得到的灰度圖樣本進行分析，可以有效識別城軌列車軸承故障。沈長青等^［10］使用ResNet?50網絡提取數據的中間層次特征，在此基礎上通過構建的多尺度特征提取器提取高層次的特征，最后輸入至分類器進行故障診斷，用于處理變工況下列車軸承的故障診斷問題。羅宏林等^［11］將不同工況下提取的信號特征向量集通過監督式自編碼器向標準工況下的信號特征做遷移，再將遷移后的信號特征輸入由參考工況訓練集特征預訓練的卷積神經網絡進行故障識別，實現了變工況下列車軸承的故障診斷。張青松等^［12］將原始信號進行變分模態分解，然后計算各模態分量的參數優化Hurst指數特征值，最后將特征向量輸入支持向量機中進行分析，用于高速列車輪對軸承微弱故障特征信息的識別。

以上研究皆是針對各類標簽與信號類型對應完全正確的情況進行的分析，但在某些情況下，由于人為操作的失誤，在對采集到的信號設置標簽時會產生誤差，導致一類信號的多個樣本中含有部分標簽錯誤的樣本，這對于信號的特征提取會產生極大的干擾，使用傳統的深度學習模型對此類數據進行識別診斷也難以達到預期的效果。列車輪對軸承數據采集相對困難，由于少量標簽錯誤樣本而再次采集新數據會浪費大量的時間和資源，因此，有必要解決信號采集過程中可能出現的標簽混淆問題，削弱標簽混淆對診斷模型的影響，使得該類數據具有可用性。針對此問題，本文提出了一種箱型圖法與特征融合相結合的診斷方法（box graph method and feature fusion， BFF），該方法先利用箱型圖法去除數據中的異常值，獲得分布均勻的數據；然后用SMOTE方法對新數據進行擴充，恢復到原始數據量大小；最后將處理過后的數據輸入到改進的特征融合模型中進行故障識別與診斷。利用列車輪對軸承實驗數據驗證了本文所提方法對于含有少量標簽錯誤樣本的數據有較好的分類效果，并與一些傳統的診斷方法進行對比。

1 基本理論

1.1 箱型圖法

箱型圖是一種用于顯示一組數據分散情況的統計圖，其主要原理是利用數據中的下限、第一四分位數、中位數、第三四分位數和上限五個統計量來對數據進行描述。其主要參數定義如表1所示，示意圖如圖1所示。箱型圖可以不受異常值的影響，穩定地描繪出數據的離散分布情況，同時也有利于進行數據清洗和不同樣本數據之間的比較。將箱型圖中位于圖形上下限之外的離群點歸為數據中的異常值，本文對于原始數據的清洗方法就是清除箱型圖法中的數據異常值。當不同標簽的樣本混淆時，由于不同故障類型的振動峰值不同，表現在數據層面就是一組混淆數據中的離群點分布散亂，在利用深度學習對數據進行特征提取時，散亂分布的離群點會導致學習到的特征出現偏差，從而影響對于數據類型的判斷。本文利用箱型圖法去除標簽混淆數據中的離群點之后，大量原始數據得以保留，此時雖然仍有標簽錯誤樣本數據混雜在內，但其和標簽正確樣本數據都已被歸一化到了一個標準范圍之內，再無特殊的離群點可以對特征提取過程進行干擾。由于在深度學習過程中會對數據量較大的部分進行重點學習，其總結的特征“規律”也會以正確數據的特征為主，這樣就可以極大程度上降低少量標簽錯誤樣本對學習過程的干擾，使一組標簽混淆數據具有可用性。

1.2 SMOTE算法

SMOTE算法的主要思想是采用線性插值的方式在少數類樣本和k近鄰樣本之間合成新的少數類樣本^［13?14］，它在一定程度上解決了隨機過采樣造成的信息冗余問題^［15］。本文采用的列車軸承數據為平衡數據，不存在少數類樣本，為了適應SMOTE算法的原理，將整體數據作為少數類樣本進行插值處理，實現對原始數據的擴充。

算法具體流程如下：

（1）對每一個樣本，以歐氏距離為標準，計算它到樣本集中所有其他樣本的距離，得到其k近鄰。

（2）設置新數據的生成倍率N，對每一個樣本，從其k近鄰中隨機選擇若干個樣本，假設選擇的近鄰為。

（3）對每一個隨機選出的近鄰，分別與原樣本按照下式構建新的樣本：

（1）

式中，代表最終合成的一個樣本；表示輸入的樣本；表示選擇的一個近鄰樣本；表示0和1之間的一個隨機數。

1.3 全卷積神經網絡

卷積神經網絡具有強大的特征自提取能力，同時可以通過局部權值共享的方式有效降低模型的復雜度和減小計算量。傳統的CNN結構由輸入層、卷積層、池化層、全連接層以及輸出層組成^［16?18］。輸入層的作用是接收傳入神經網絡的信號，卷積層的作用是對輸入的信號進行卷積運算從而提取重要特征^［19］，其卷積原理如圖2所示。池化層一般用于對卷積層提取的特征進行降維^［20］，以減少運算量。本文實驗模型去除了池化層，構建全卷積神經網絡，最大程度地保留卷積層提取的特征信息。全連接層將前面一系列處理后輸出的二維特征矩陣轉化成一個一維向量，把特征整合到一起，大大減少特征位置對分類帶來的影響。但全連接層的參數過多，會加大網絡的訓練難度。本文使用全局平均池化層取代全連接層，不僅可以實現全連接層的功能，還可以減少參數數量，避免過擬合^［21］。輸出層位于整個神經網絡結構的最后，將從前面得到的特征進行分類輸出。

1.4 長短時記憶神經網絡

LSTM是循環神經網絡的改進模型，相對于傳統的RNN網絡，LSTM的記憶力更強，更有利于處理長時序信號數據^［22］。其核心思想是通過遺忘不同程度的長時記憶，并加上此刻產生的短時記憶，來控制此時刻經過長短時記憶網絡所產生的輸出值^［23］。LSTM單元的基本結構如圖3所示，主要包括遺忘門、輸入門、輸出門和記憶細胞^［24］。遺忘門用來記錄長時記憶的遺忘程度，決定上一時刻的記憶細胞狀態有多少保留到此刻的記憶細胞狀態；輸入門用來記錄當前時刻的短時記憶，決定這一時刻有多少信息被保留；輸出門用來作為長短時記憶網絡最后的輸出。

2 特征融合模型

傳統的并行神經網絡模型只在決策層進行特征融合，難以及時獲取兩條支路各自提取的特征信息，也不利于訓練過程的可視化展示。本文模型對此進行了改進，以全卷積神經網絡和長短期記憶神經網絡為并行支路，在每個卷積層和LSTM層之后都進行一次特征矩陣的相加融合，將新融合的數據作為下一次特征提取的輸入。本文模型不僅可以及時獲取各條支路的特征信息，還可以在融合節點處進行可視化展示，有效避免了深度學習中的黑盒子問題。本文模型去除了傳統卷積神經網絡中的池化層，充分利用卷積神經網絡強大的特征提取能力，最大程度地保留數據的特征信息。同時利用長短期記憶神經網絡提取軸承信號的時間特征，將兩者進行結合，使提取到的特征更加充分。此外，本文在模型中加入了BN層和Dropout層，可以起到加快訓練和收斂的速度以及防止過擬合的作用。在模型最后用全局平均池化層取代全連接層，減少模型的參數量，達到簡化模型、提高運算效率的效果。具體模型參數如表2和3所示。

3 故障診斷流程

故障診斷流程如圖4所示，主要分為三部分。第一部分為原始信號的選取，本文采用列車輪對軸承實驗數據構建標簽混淆數據集，將包含少量標簽錯誤樣本的3類數據作為模型的輸入。第二部分為數據的預處理，包括箱型圖法去除異常值和SMOTE法擴充數據集；將擴充后的數據進行打亂與重組，并按照8∶2的比例劃分為訓練集和測試集。第三部分為模型參數調整與軸承故障的識別與診斷。

4 列車輪對軸承實驗數據分析

4.1 數據預處理

本實驗采用的數據來自列車輪對軸承實驗，該實驗平臺由列車輪組、加速度傳感器和輪軸軸承等組成，如圖5所示。軸承內圈和外圈故障情況如圖6和7所示。

本實驗選取其中的內圈故障、外圈故障和健康狀態等情況下的數據進行標簽混淆數據集的構建。將每類數據分成250組，每組1024個采樣點，其標簽設置如表4所示。將標簽為0時定義為正常數據，其中包含225組正常數據和25組外圈故障數據；將標簽為1時定義為內圈故障數據，其中包含225組內圈故障數據和25組正常數據；將標簽為2時定義為外圈故障數據，其中包含225組外圈數據和25組內圈故障數據。

繪制三類數據的箱型圖，如圖8所示。其中藍色部分為箱型圖的箱體。箱體中的虛線為數據的中位數，箱體的上下邊緣分別為數據的第三四分位點和第一四分位點，箱體上下的兩條紅色短線分別為箱型圖法定義的數據上下限。由圖可知，上下限之外的所有點皆為數據中的異常值，對異常值進行刪除，得到三組分布均勻的數據。將原始數據時域圖與去除異常值之后數據的時域圖進行對比，如圖9所示（其中0，1，2分別為各組數據對應的標簽編號）。由圖可知，進行箱型圖去除異常值處理后，各組數據的極端點都已經被刪除，新數據分布較為均勻，且整體波形與原始數據一致，沒有發生變化。

由于經箱型圖處理后有部分數據被去除，導致數據量減少；并且各組數據的去除量不同，會導致輕微的數據不平衡現象。為了避免這種情況，對新數據進行SMOTE數據擴充處理，將合成的新數據與原數據進行對比，如圖10所示。可知，在對應的同一組樣本內，合成信號的波形與原始信號的波形極其相似，說明合成信號極其接近于原始信號。按照三類情況下數據各自的缺失情況，選取相應的合成樣本數據，將信號補齊至原始數據量大小。這樣每類情況仍舊有250組數據，每組數據包含1024個數據點。分別將250組數據分為訓練組和測試組。

4.2 實驗與結果分析

本文實驗中采用的深度學習框架為Tensorflow，計算機配置為：Core（TM） i5?8265U CPU處理器和NVIDIA GeForce MX230顯卡。

將數據輸入改進的特征融合模型中進行訓練，迭代200次后訓練停止。本實驗模型使用Adam優化器自動優化學習率，使用交叉熵損失函數作為目標函數來指導網絡參數的學習。訓練和測試的準確率曲線如圖11所示，損失曲線如圖12所示。

由圖11和12可知，訓練集的準確率曲線在迭代40次左右的時候已經完全收斂，準確率達到了100%；損失曲線隨著迭代迅速下降，在40次左右完全收斂，損失無限接近于0。測試集的準確率在迭代50次左右的時候已經達到了98.67%；損失隨著迭代迅速下降，在100次左右完全收斂，達到一個極小值。圖13為測試集的混淆矩陣，其橫坐標為預測標簽，縱坐標為實際標簽。由混淆矩陣可知，測試過程中在標簽為0的類別上識別準確率達到了100%，在標簽為1和2的類別上有些許誤差，但也達到了極高的識別準確率。圖14為訓練時整體過程的可視化圖像，由圖可知，初始數據分布較為混亂，難以有效區分。隨著訓練的進行，相同類型的數據點逐漸聚集，不同類型的數據點逐漸分散，最終各類數據完全分開。說明訓練起到了極好的分類效果，同時也證明了本文方法對于包含少量標簽錯誤樣本的輪對軸承數據具有很好的診斷效果。

4.3 不同故障診斷方法對比

為驗證本文所提方法的優越性，與3種典型診斷方法進行對比。訓練過程中統一設置batchsize為128，迭代次數為500。將最后的測試曲線進行可視化展示，如圖15和16所示。由結果可知，本文所提方法的效果最好，準確率曲線和損失曲線在各種方法中均收斂得最快，準確率達到了各種方法中最高的98.67%，損失在各種方法中最低，無限接近于0。相比之下，直接用ShuffleNetV1、GhostNet和MobileNetV2進行診斷的效果則較差，三種方法的測試準確率只能維持在87%左右，測試損失也遠高于本文所提BFF方法。并且在batchsize和迭代次數相同的情況下，三種典型方法的測試曲線波動較大，難以有效的收斂，診斷效果欠佳。

4.4 方法泛化性驗證

為檢驗本文方法的泛化性，對標簽錯誤樣本個數進行調整，設置標簽正確樣本與標簽錯誤樣本比例為8∶2和7∶3兩種情況進行分析，如表5所示。

用本文所提BFF方法對兩種情況下的數據進行分析，結果如圖17所示。可知，隨著同組中標簽錯誤樣本比例的增加，使用BFF方法診斷所得的測試準確率會有一定的下降，但即使標簽錯誤樣本占比達到30%時，使用本文方法進行診斷的測試準確率仍舊可以達到92%。與ShuffleNetV1、GhostNet和MobileNetV2方法相比，本文所提方法在兩種情況下得到的測試準確率都具有極大優勢，說明其在數據集中標簽錯誤樣本數量占比較高的情況下也有很好的診斷效果。

5 結 論

為解決訓練樣本中含有少量標簽錯誤樣本導致列車軸承診斷難度增大的問題，本文提出了一種BFF方法。該方法主要有以下優點：

（1） 使用箱型圖法去除數據中的異常值，對數據進行清洗，獲得分布較為均勻的數據，更有利于數據特征的提取。

（2） 使用SMOTE方法對清洗后的數據進行擴充，避免因數據量減少而導致診斷結果不準確的情況以及各組訓練數據數量不平衡問題的發生。

（3） 使用改進的特征融合模型進行故障識別與診斷，既能及時獲取融合后的信息，又可以進行全過程可視化展示，有效避免了深度學習的黑盒子問題。

（4） 分別用BN層和Dropout層對神經網絡模型進行優化，加快了訓練和收斂的速度，增強了模型的穩定性。

（5） 用全局平均池化層代替全連接層，有效減少了模型的參數數量，提升了運算速度。使用BFF方法對含有少量標簽錯誤樣本的列車輪對軸承數據進行故障識別與診斷，取得了極佳的效果，證明了本文所提方法的有效性和優越性。

參考文獻：

［1］""""""" 王寶森，劉永強，張斌.變轉速工況下高速列車軸承轉子系統特性分析［J］.力學學報，2022，54（7）：1839-1852.

WANG Baosen， LIU Yongqiang， ZHANG Bin. Characteristics analysis on bearing rotor system of high-speed train under variable speed conditions［J］. Chinese Journal of Theoretical and Applied Mechanics， 2022，54（7）：1839-1852.

［2］""""""" 李翠省，廖英英，劉永強.基于EEMD和參數自適應VMD的高速列車輪對軸承故障診斷［J］.振動與沖擊，2022，41（1）：68-77.

LI Cuixing， LIAO Yingying， LIU Yongqiang. Fault diagnosis of wheelset bearing of high-speed train based on EEMD and parameter adaptive VMD［J］. Journal of Vibration and Shock，2022，41（1）：68-77.

［3］""""""" 劉方，翟濤濤，侯超強，等.基于多普勒調制時移Laplace小波的列車軸承故障聲信號瞬態成分快速提取方法［J］.儀器儀表學報，2022，43（3）：40-48.

LIU Fang， ZHAI Taotao， HOU Chaoqiang， et al. A fast transient component extraction method of train bearing fault acoustic signal based on Doppler modulated time-shifting Laplace wavelet［J］. Chinese Journal of Scientific Instrument，2022，43（3）：40-48.

［4］""""""" 黃晨光，林建輝，易彩，等.延伸奇異值分解包及其在高速列車輪對軸承故障診斷中的應用［J］.振動與沖擊，2020，39（5）：45-56.

HUANG Chenguang， LIN Jianhui， YI Cai， et al. Extended SVD packet and its application in wheelset bearing fault diagnosis of high-speed train［J］. Journal of Vibration and Shock， 2020，39（5）：45-56.

［5］""""""" 顧曉輝，楊紹普，劉文朋，等.高速列車軸箱軸承健康監測與故障診斷研究綜述［J］.力學學報， 2022，54（7）：1780-1796.

GU Xiaohui， YANG Shaopu， LIU Wenpeng， et al. Review of health monitoring and fault diagnosis of axle-box bearing of high-speed train［J］. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54（7）： 1780-1796.

［6］""""""" 劉玉鑫， 武文博， 張雄， 等. 基于HHO?CNN的軸承故障診斷方法研究［J］. 河北大學學報（自然科學版）， 2023， 43（6）： 571-583.

LIU Yuxin， WU Wenbo， ZHANG Xiong， et al. Fault detection method of bearings based on HHO-CNN［J］. Journal of Hebei University （Natural Science Edition）， 2023， 43（6）： 571-583.

［7］""""""" 楊劼立，林建輝，諶亮.基于MED輔助特征提取CNN模型的列車軸承故障診斷方法［J］.中國測試，2020，46（10）：124-129.

YANG Jieli， LIN Jianhui， CHEN Liang. Fault diagnosis method for train bearings based on MED-assisted feature extraction CNN model［J］. China Measurement amp; Test，2020，46（10）：124-129.

［8］""""""" 鄧飛躍，丁浩，呂浩洋，等.一種基于輕量級神經網絡的高鐵輪對軸承故障診斷方法［J］.工程科學學報，2021，43（11）：1482-1490.

DENG Feiyue， DING Hao， LYU Haoyang，et al. Fault diagnosis of high-speed train wheelset bearing based on a lightweight neural network［J］. Chinese Journal of Engineering，2021，43（11）：1482-1490.

［9］""""""" 姚德臣，劉恒暢，楊建偉，等.基于深度學習的城軌列車軸承復合故障診斷研究［J］.鐵道學報，2021，43（6）：37-44.

YAO Dechen， LIU Hengchang， YANG Jianwei， et al. Diagnosis of compound faults of bearings of urban rail train based on deep learning model［J］. Journal of the China Railway Society， 2021，43（6）：37-44.

［10］""""" 沈長青，王旭，王冬，等.基于多尺度卷積類內遷移學習的列車軸承故障診斷［J］.交通運輸工程學報，2020，20（5）：151-164.

SHEN Changqing， WANG Xu， WANG Dong， et al. Multi-scale convolution intra-class transfer learning for training bearing fault diagnosis［J］. Journal of Traffic and Transportation Engineering， 2020，20（5）：151-164.

［11］""""" 羅宏林，柏林，侯東明，等.有限變工況特征遷移學習方法及其在高速列車軸箱軸承故障診斷中的應用［J］.儀器儀表學報，2022，43（3）：132-145.

LUO Honglin， BO Lin， HOU Dongming， et al. A transfer learn method for bearing fault diagnosis under finite variable working conditions and its application in training axle-box bearing fault diagnosis［J］. Chinese Journal of Scientific Instrument， 2022，43（3）：132-145.

［12］""""" 張青松，張兵，秦怡.基于改進VMD和APSO-SVM的高速列車軸承故障診斷［J］.機車電傳動，2022，284（1）：31-36.

ZHANG Qingsong， ZHANG Bing， QIN Yi. Bearing fault diagnosis for high-speed train based on improved vmd and APSO-SVM［J］. Electric Drive for Locomotives， 2022， 284（1）： 31-36.

［13］""""" 劉云鵬，和家慧，許自強，等.基于SVM SMOTE的電力變壓器故障樣本均衡化方法［J］.高電壓技術，2020，46（7）：2522-2529.

LIU Yunpeng， HE Jiahui， XU Ziqiang， et al. Equalization method of power transformer fault sample based on SVM SMOTE［J］. High Voltage Engineering，2020，46（7）：2522-2529.

［14］""""" 陶新民，劉福榮，童智靖，等.不均衡數據下基于SVM的故障檢測新算法［J］.振動與沖擊，2010，29（12）：8-12.

TAO Xinmin， LIU Furong， TONG Zhijing， et al. Novel fault detection method based on SVM with unbalanced datasets［J］. Journal of Vibration and Shock， 2010， 29（12）：8-12.

［15］""""" 李艷霞，柴毅，胡友強，等.不平衡數據分類方法綜述［J］.控制與決策，2019，34（4）：673-688.

LI Yanxia， CHAI Yi， HU Youqiang， et al. Review of imbalanced data classification methods［J］. Control and Decision，2019，34（4）：673-688.

［16］""""" 董紹江，李洋，梁天，等.基于CNN-BiLSTM的滾動軸承變工況故障診斷方法［J］.振動、測試與診斷，2022，42（5）：1009-1016.

DONG Shaojiang，LI Yang，LIANG Tian， et al. Fault diagnosis method of rolling bearing based on CNN?BiLSTM under variable working conditions［J］. Journal of Vibration， Measurement amp; Diagnosis， 2022，42（5）：1009-1016.

［17］""""" 余志鋒，熊邦書，熊天旸，等.基于VMD-CWT和改進CNN的直升機軸承故障診斷［J］.航空動力學報，2021，36（5）：948-958.

YU Zhifeng， XIONG Bangshu， XIONG Tianyang， et al. Fault diagnosis of helicopter bearing based on VMD-CWT and improved CNN［J］. Journal of Aerospace Power，2021，36（5）：948-958.

［18］""""" 宮文峰，陳輝，張澤輝，等.基于改進卷積神經網絡的滾動軸承智能故障診斷研究［J］.振動工程學報，2020，33（2）：400-413.

GONG Wenfeng， CHEN Hui， ZHANG Zehui， et al. Intelligent fault diagnosis for rolling bearing based on improved convolutional neural network［J］. Journal of Vibration Engineering，2020，33（2）：400-413.

［19］""""" 王奉濤，薛宇航，王洪濤，等.GLT-CNN方法及其在航空發動機中介軸承故障診斷中的應用［J］.振動工程學報，2019，32（6）：1077-1083.

WANG Fengtao， XUE Yuhang， WANG Hongtao， et al. GLT-CNN and its application of aero-engine intermediary bearing fault diagnosis［J］. Journal of Vibration Engineering，2019，32（6）：1077-1083.

［20］""""" 康濤，段蓉凱，楊磊，等.融合多注意力機制的卷積神經網絡軸承故障診斷方法［J］.西安交通大學學報，2022，56（12）：68-77.

KANG Tao， DUAN Rongkai， YANG Lei， et al. Bearing fault diagnosis using convolutional neural network based on a multi-attention mechanism［J］. Journal of Xi’an Jiaotong University，2022，56（12）：68-77.

［21］""""" 張俊紅，孫詩躍，朱小龍，等.基于改進卷積神經網絡的柴油機故障診斷方法研究［J］.振動與沖擊，2022，41（6）：139-146.

ZHANG Junhong， SUN Shiyue， ZHU Xiaolong， et al. Diesel engine fault diagnosis based on an improved convolutional neural network［J］. Journal of Vibration and Shock，2022，41（6）：139-146.

［22］""""" 王磊，孫志成，王磊，等.基于DRSN-CW和LSTM的軸承故障診斷［J］.電子科技大學學報，2022，51（6）：921-927.

WANG Lei， SUN Zhicheng， WANG Lei， et al. Bearing fault diagnosis based on DRSN-CW and LSTM［J］. Journal of University of Electronic Science and Technology of China，2022，51（6）：921-927.

［23］""""" 歐陽勵，何水龍，朱良玉，等.一種基于雙向長短期記憶結構與多尺度卷積結構融合的軸承智能故障診斷方法［J］.振動與沖擊，2022，41（19）：179-187.

OUYANG Li， HE Shuilong， ZHU Liangyu， et al. An intelligent bearing fault diagnosis method based on fusion of bidirectional LSTM structure and MSC structure［J］. Journal of Vibration and Shock， 2022，41（19）：179-187.

［24］""""" 池永為，楊世錫，焦衛東.基于LSTM-RNN的滾動軸承故障多標簽分類方法［J］.振動、測試與診斷，2020，40（3）：563-571.

CHI Yongwei， YANG Shixi， JIAO Weidong. A multi-label fault classification method for rolling bearing based on LSTM-RNN［J］. Journal of Vibration， Measurement amp; Diagnosis，2020，40（3）：563-571.

第一作者："中文作者簡介：張雄（1990―），男，博士，副教授。E-mail：hdjxzx@ncepu.edu.cn

通信作者："萬書亭（1970―），男，博士，教授。E-mail：13582996591@139.com

基金項目："國家自然科學基金資助項目（52105098）；河北省自然科學基金資助項目（E2021502038）