·1488 工程科学学报，第43卷，第11期 数量相同，ResNets中残差块数量与本文模型中 Xception方法，模型参数量和Floaps也远小于其 ShuffleNet单元数量相同.针对不同信噪比的含噪 他3种对比方法.需要指出的是，随着网络模型深 信号及原信号，4种方法的诊断结果如图11所示 度及所分析数据量的进一步增加，所提方法的运 从图中可知，随着噪声的减少，所有方法的诊断精 行效率优势会更为明显.由于添加噪声信号相比 度均有所提升.总体来看，本文方法在分析不同信 原始信号更为复杂，网络模型分析含噪信号的运 噪比信号及原信号时，诊断精度要优于传统CNN 算时间要稍显增加 方法，与ResNets和Xception结果基本相同，均能 表4不同方法的运行效率对比 保证较高的诊断准确度 Table 4 Comparison of operation efficiency of different methods The proposed methodCNN□ResNets Time/s 100 Number of model Xception Model parameters Flops Training Testing 90 Proposed model 10232 11.14 50627 30991874 CNN 13363 12.36 668675 567444224 70 ResNets 14726 15.44 677251 571835136 14310 13.66 92739 115999488 60 Xception 50 -20 -15 -10 Original signal T-SNE作为一种用于挖掘高维数据的非线性 SNR/dB 降维算法，能够很好地将高维数据映射到二维 图11不同方法的分类准确度 空间.基于此，我们通过T-SNE对本文所提网络 Fig.11 Classificationaccuracy of different methods 不同阶段的特征聚类结果进行了可视化分析，进 我们以SNR=-20dB的含噪信号为分析对象， 而观察网络内部的特征学习过程.图12显示了 进一步分析了上述4种方法的运行效率，结果如 网络模型包含4个ShuffleNet单元时不同阶段的 表4所示.从表中可知，本文所提模型的训练时 特征分布情况.通过观察可知，在网络输入端，不 间和测试时间要明显少于传统CNN、ResNets与 同健康状态的轮对轴承特征信息混在一起；标准 (a)100 (b)150 (c)150 (d)80 100 100 60 40 50 50 20 0 0 -20 -50 -50 0 -100 60 -100 100 0 100200 00 100 00 100 (e) 60 (g)100 40 50 20 Inner race fault -20 0 o Outer race fualt Normal 40 -20 -60 -8 -60 -100 -1000100200 100 00 50 50 100 图I24个ShuffleNet单元网络模型不同阶段的可视化结果.(a)网络输入端：(b)卷积后：(c)首个ShuffleNet单元后：(d)第二个ShuffleNet单元 后：(e)第三个ShuffleNet.单元后：(f)第四个ShuffleNet.单元后：(g)GAP后 Fig.12 Visualization results of the proposed network with 4 ShuffleNet units at different stages:(a)model input;(b)after convolution operation;(c)after the first ShuffleNet unit;(d)after the second ShuffleNet unit,(e)after the third ShuffleNet unit,(f)after the fourth ShuffleNet unit,(g)after the GAP数量相同，ResNets 中残差块数量与本文模型中 ShuffleNet 单元数量相同. 针对不同信噪比的含噪 信号及原信号，4 种方法的诊断结果如图 11 所示. 从图中可知，随着噪声的减少，所有方法的诊断精 度均有所提升. 总体来看，本文方法在分析不同信 噪比信号及原信号时，诊断精度要优于传统 CNN 方法，与 ResNets 和 Xception 结果基本相同，均能 保证较高的诊断准确度. −20 −15 −10 Original signal SNR/dB 50 60 70 80 90 100 Accuracy/ % The proposed method CNN ResNets Xception 图 11    不同方法的分类准确度 Fig.11    Classificationaccuracy of different methods 我们以 SNR=−20 dB 的含噪信号为分析对象， 进一步分析了上述 4 种方法的运行效率，结果如 表 4 所示. 从表中可知，本文所提模型的训练时 间和测试时间要明显少于传统 CNN、ResNets 与 Xception 方法，模型参数量和 Floaps 也远小于其 他 3 种对比方法. 需要指出的是，随着网络模型深 度及所分析数据量的进一步增加，所提方法的运 行效率优势会更为明显. 由于添加噪声信号相比 原始信号更为复杂，网络模型分析含噪信号的运 算时间要稍显增加. 表 4 不同方法的运行效率对比 Table 4   Comparison of operation efficiency of different methods Model Time/s Number of model parameters Flops Training Testing Proposed model 10232 11.14 50627 30991874 CNN 13363 12.36 668675 567444224 ResNets 14726 15.44 677251 571835136 Xception 14310 13.66 92739 115999488 T−SNE 作为一种用于挖掘高维数据的非线性 降维算法，能够很好地将高维数据映射到二维 空间. 基于此，我们通过 T−SNE 对本文所提网络 不同阶段的特征聚类结果进行了可视化分析，进 而观察网络内部的特征学习过程. 图 12 显示了 网络模型包含 4 个 ShuffleNet 单元时不同阶段的 特征分布情况. 通过观察可知，在网络输入端，不 同健康状态的轮对轴承特征信息混在一起；标准 −100 0 100 200 −80 −60 −40 −20 0 20 (e) 40 −100 0 100 −60 −40 −20 0 20 40 (f) 60 −50 0 50 100 −100 −50 0 50 (g) 100 Inner race fault Outer race fualt Normal x x x y y y −100 0 100 −100 −50 0 50 (a) 100 −100 0 100 200 −100 −50 0 50 100 (b) 150 −100 0 100 −100 −50 0 50 100 (c) 150 −100 0 100 −60 −40 −20 0 20 40 60 (d) 80 x x x x y y y y 图 12    4 个 ShuffleNet 单元网络模型不同阶段的可视化结果. （a）网络输入端；（b）卷积后；（c）首个 ShuffleNet 单元后；（d）第二个 ShuffleNet 单元 后；（e）第三个 ShuffleNet 单元后；（f）第四个 ShuffleNet 单元后；（g）GAP 后 Fig.12    Visualization results of the proposed network with 4 ShuffleNet units at different stages: (a) model input; (b) after convolution operation; (c) after the first ShuffleNet unit; (d) after the second ShuffleNet unit; (e) after the third ShuffleNet unit; (f)after the fourth ShuffleNet unit; (g) after the GAP · 1488 · 工程科学学报，第 43 卷，第 11 期