以齒輪箱故障數據為例，故障工況如下：

(a) 健康狀態HEA；(b) 切齒故障CTF；(c) 缺齒故障MTF；(d) 齒根裂紋RCF；(e) 齒面磨損SWF；(f) 滾動體故障BF；(d) 復合故障CWF；(e) 內圈故障IRF；(f) 外圈故障ORF。

下圖為齒輪箱九種狀態的多尺度特征學習情況。

鑒于不同尺寸的卷積核能提取不同頻率段的特征，可以看出特征圖類似于通常的時間-尺度表征映射圖，不同尺度的卷積操作能夠捕獲不同的特征信息，模型可以根據不同的狀態輸入振動信號自適應地提取不同尺度下的有效特征信息，提升故障診斷效果。

模型通道注意力層輸出權重如下圖所示：

通道注意力層可以對不同狀態下各通道信息賦予不同的權值，自適應地關注關鍵特征，增強診斷的泛化性。

同時加入SincNet卷積后，以齒輪切齒故障CTF和軸承外圈故障ORF振動信號為例，模型的卷積特征提取可視化如下。

CTF下普通卷積特征

CTF下SincNet卷積特征

ORF下普通卷積特征

ORF下SincNet卷積特征

常規卷積提取的特征具有更大的無序性，即使局部能夠捕獲原始振動信號中時間-幅值沖擊變化，但其周圍存在大量的噪聲干擾，影響后續模型深層次特征表達，降低模型故障診斷的效果，尤其是在低信噪比SNR 下。重要的是，這類常規卷積操作在不同通道上沒有明確的物理含義，特征可解釋性欠佳。相對應地，SincNet 卷積輸出特征能夠清晰地在時間-頻率上對原始信號進行刻畫，通過帶通濾波器自適應捕獲固定頻率段的有效信息，不僅削弱了無關噪聲干擾，還明確賦予了所學特征的物理意義，增強了特征學習的可解釋性。此外，相較于相同結構的64 通道的常規卷積需要訓練8192 個參數，SincNet 卷積僅僅需要訓練128 個參數，一定程度上可降低模型的復雜度，提升模型效率。

本文轉載自??高斯的手稿??