在工业旋转机械中，滚动轴承是最关键、也最容易发生故障的部件之一。然而，变工况、故障样本稀缺、跨域泛化能力差三大难题，长期制约着故障诊断模型的落地效果。
近期，来自河北工程大学、天津大学等机构的研究团队提出了一种全新的诊断框架 ------ DSCNN-HA-TL ，在 CWRU 公开数据集和自建实验平台上的跨工况迁移任务中，平均精度分别达到 99.93% 和 99.55%。
本文带你一文读懂这项研究的技术路线与核心亮点。
一、研究背景：为什么变工况轴承诊断这么难？
在实际工业场景中，轴承往往在变转速、变负载条件下运行，振动信号分布差异显著。传统深度学习方法依赖"同分布"假设，一旦工况变化，诊断精度就会急剧下降。
更棘手的是：
-
故障样本极少，难以训练复杂模型；
-
跨设备、跨工况数据分布偏移严重；
-
单一注意力机制难以兼顾局部与全局特征。
👉 这些正是当前深度学习故障诊断从"实验室"走向"工业现场"的核心障碍。
二、研究目的：构建一个"小样本 + 变工况"可用的轻量高精度模型
研究团队的目标非常明确：
设计一个融合迁移学习 与混合注意力机制的轻量化卷积网络，在仅使用少量目标域样本的情况下，实现对不同工况下轴承故障的高精度识别。
三、研究方法：DSCNN-HA-TL 框架全解析
整体流程（原文 Fig.4，第8-9页）
该框架包含四个关键阶段：
-
信号预处理
使用**连续小波变换（CWT）**将一维振动信号转换为224×224的二维时频图（原文第10页）。
-
双分支特征提取
-
Swin窗口注意力：提取局部时频特征
-
GAM全局注意力：增强通道与空间维度的全局交互
-
-
特征融合
将局部与全局特征拼接，通过自适应池化压缩为固定长度向量。
-
迁移学习诊断
源域预训练 → 目标域少量样本微调 → 跨工况故障分类。
四、研究过程：两个数据集 + 七类对比模型
数据集
-
CWRU公开数据集：0/1/2 hp，7类故障（含正常、内圈、外圈、滚动体）
-
自建实验平台：0/0.25/0.5 MPa，同样7类故障（原文第18-19页）
对比模型
DSCNN、Swin、DSCNN-GAM、VGG16、ResNet、CNN-SwinGAM
评估指标
准确率、损失率、损失曲线、混淆矩阵、t-SNE
五、研究重难点：模型设计中的三个关键挑战
难点1：如何兼顾轻量与表达能力？
解决方案 ：采用**深度可分离卷积（DSC）**替代标准卷积。
-
参数量和计算量分别降至标准卷积的 1/C_out + 1/K²（原文公式(5)(6)）
-
同时保持较强的特征表达能力
难点2：单一注意力机制难以捕捉多尺度特征
解决方案 ：提出**窗口注意力（Swin）+ 全局注意力（GAM）**的混合机制。
-
Swin：提取局部短时依赖
-
GAM：强化跨通道与空间维度的全局交互
难点3：跨工况下分布漂移严重
解决方案 ：引入迁移学习。
-
源域充分预训练
-
目标域仅用40%样本微调，即可实现高精度迁移（原文第13页）
六、研究结论：精度、损失、可视化三重验证
1. 准确率全面领先
CWRU 单工况（原文 Table 3，第14页）
-
DSCNN-SwinGAM：100%（平均）
-
对比模型：DSCNN（96.10%）、ResNet（99.30%）
CWRU 迁移任务（原文 Table 4，第14页）
-
平均精度：99.93%
-
6个迁移任务中多个达到100%
自建平台迁移任务（原文 Table 9，第21页）
-
平均精度：99.55%
-
比DSCNN高出12个百分点
2. 损失率显著更低（原文 Table 6、11）
-
CWRU迁移任务平均损失：0.0755（DSCNN为3.22）
-
自建平台迁移任务平均损失：0.4119（DSCNN为12.14）
3. 收敛速度更快（原文 Fig.8、15）
-
DSCNN-SwinGAM 在训练早期即快速收敛
-
最终损失值最低，表明拟合能力强、过拟合风险低
4. 特征聚类更清晰（原文 Fig.10、17）
-
同类故障特征高度聚集
-
不同故障类别之间边界明显
-
对比模型存在明显混叠现象
七、未来展望：从实验室到工业现场的下一步
作者也明确指出了当前方法仍可改进的方向：
-
进一步提升训练效率，适应实时或在线诊断需求；
-
拓展到更复杂的工业场景：
-
变转速
-
变温度
-
跨设备（不同型号轴承）
-
-
构建端到端的在线故障诊断流水线，真正实现"边采边诊"。
写在最后：为什么这篇工作值得关注？
| 维度 | 亮点 |
|---|---|
| 🧠 方法创新 | 首次将Swin + GAM双注意力与DSC + 迁移学习融合 |
| ⚙️ 轻量高效 | 深度可分离卷积显著降低参数量 |
| 🎯 适用性强 | 专为小样本、变工况设计，贴近工业现实 |
| 📊 验证充分 | 双数据集、7类对比、多指标、消融实验齐全 |
如果你想在自己的轴承故障诊断任务中尝试该方法，建议优先复现其CWT时频图 + DSCNN-SwinGAM + 迁移学习的组合，这三点是精度提升的核心。
关注我们，获取更多工业智能诊断、深度学习前沿解读。
本文解读自论文：
*DSCNN-HA-TL: A Transfer Learning Framework with Hybrid Attention for Bearing Fault Diagnosis under Variable Operating Conditions (Struct Durab Health Monit, 2025)*
注：更多关于小样本齿轮箱故障诊断的前沿知识小编之前有推荐，可以详查置顶文章：【本周六开课】-数据驱动智能故障诊断技术应用与实践
如果您觉得文章不错，欢迎点赞、关注、收藏及转发~