006基于小波变换和改进ResNet的噪声环境下滚动轴承故障智能诊断Intelligent fault diagnosis of rolling bearing based on wavelet tr

引言

（1）在实际的工业应用中，传统的故障诊断方法受到噪声标签和环境的影响
（2）文提出了一种基于小波变换(WT)和改进残差神经网络(IResNet)的RB的FD方法，命名为WT-IResNet
滚动轴承（RB）的故障诊断（FD）
（3）提出的WT IResNet方法使用新的池化层进行降维，并使用全局奇异值分解（SVD）自适应策略进行特征提取。
（4）将原始的softmax层和用于训练的逻辑损失替换为包含两个可调参数的新损失函数，以解决带有标签噪声的故障诊断问题
（5）使用两个典型的轴承故障数据集分别评估了WT-IResNet在嘈杂标签和嘈杂环境下的可行性和有效性
（6）与其他方法相比，WT-IResNet对噪声具有更好的鲁棒性。不论是在嘈杂标签还是嘈杂环境下，WT-IResNet的性能都优于其他方法

结论

（1）在本文中，通过将小波变换（WT）和改进的ResNet结合起来，提出了一种名为WT-IResNet的滚动轴承智能故障诊断方法。
（2）这种新颖的方法使用WT将原始振动信号转换成时频图像。为了消除噪声标签的干扰，采用了一个新的损失函数，其中包含两个可调参数，用于替代原始的对数损失函数进行训练。4
（3）通过充分利用奇异值分解（SVD）在降维方面的优势，我们的方法可以提取更多有用的特征信息。
（4）此外，新颖的全局SVD自适应策略强化了特征图和类别之间的对应关系，并在整体结构中本质上防止了过拟合。
（5）最后，两个案例研究表明，在噪声标签和环境下，WT-IResNet的性能是令人满意的。

这项研究只是基于监督学习实现了令人满意的故障诊断结果。然而，在实际工业应用中，很难确保获得足够的有标签样本。在未来，将测试和改进所提出的方法与半监督学习或无监督学习相结合的性能

介绍

滚动轴承作为一种重要的机械部件，广泛应用于各种工程设备中，其健康状况对工程设备的安全性和稳定性有着相当重要的影响（Jin et al，2022；李等人，2020）。RB一旦失效，很容易引发灾难性后果（钱等，2022；程等，2021）。由于RB的振动传递路径复杂，RB的故障难以准确诊断（Wei et al.，2020）。
为了确保工程设备的运行稳定性和系统安全，对先进的滚动轴承故障诊断方法提出了更高的要求（Schwendemann et al.，2021）。
（1）总结文献可以发现
轴承的故障诊断分为四类：
基于模型的、基于经验的、传统的机器学习，深度学习
基于模型：建立一个数学模型来描述某些特定故障
基于经验：需要先验知识来进行推理和诊断（Guo 等人，2022 年）
由于现代工程设备的复杂性和先验知识的缺乏，很难建立一个准确有用的
模型（Xu 等人，2022b）
传统的机器学习方法：这种方法通常需要人工进行特征提取和特征选择，过分依赖研究人员的专业经验和专业知识
深度学习方法具有无可比拟的优势：它可以自适应地捕捉监测数据中的故障特征，它可以自适应地从监测数据中捕捉故障特征，并以端到端的方式完成 RB 的故障诊断

（2）
不可否认，了卓越的诊断结果。然而，这些研究通常侧重于如何利用更少的训练数据如何利用更少的训练数据来学习目标的更多特征信息，从而获得比传统机器学习（TML）方法更高的诊断精度
事实上，这与 事实上，这与实际故障诊断场景并不一致。在实际故障诊断场景中，借助一些数据增强方法，如重叠样本、旋转图像等，可以轻松获得大量训练样本，都能实现近 100% 的准确率

（3）因此，
应更加关注诊断模型在实际工业应用中的适应能力。诊断模型在实际工业场景中的适应能力。具体来说 具体来说，可以从噪声环境和噪声标签两个方面进行评估。

问题一：

采集信号中不可避免地存在大量的噪声，这使得信号的质量很难得到保证
应用于神经网络的卷积核和池核通常充当局部特征提取器。在信号噪声的干扰下，由于局部特征提取器难以检测相关故障特征，神经网络的特征学习能力受到显著影响。

当面对具有大量噪声的信号时，诊断性能的下降是显而易见的。

问题二：

在实践中，由于标注专业知识不足、标注工作量巨大复杂或数据预处理错误，训练标签与真实类别不匹配的可能性很大，嘈杂的标签是不可避免
分类器通常通过最小化真实标签和预测标签的误差来实现高诊断精度
在这种情况下，一旦滚动轴承的标签包含一些错误，错误的信息就会被发送到分类器，诊断性能将显著降低，限制了它们在现实场景中的应用。
与噪声环境（信号噪声）相比，噪声标签对诊断算法的分类性能有更严重的影响：
（1）信号特征的维数比标签大得多
（2） 信号组成的重要性各不相同。如果噪声是在不重要的信号组成中，则对故障诊断结果的影响将非常小
而标签都会对结果产生重大影响（Zhang等人，2021b）
为了解决噪声标签下的分类问题，一种方法是去除带有噪声标签的样本，这面临着噪声标签样本判别和训练样本减少的挑战（聂和谢，2021；蒲和李，2021）
另一种方法是用有噪声的标签重新标记样本。然而，这可能会引入其他嘈杂的标签（Huang等人，2021）
最常用的方法是损失校正，通常通过重新加权原始交叉熵损失函数来进行（Zhang等人，2022；Arazo等人，2019） 然而，在该方法中，通常不可避免地要预先指定加权函数和一些额外的超参数，这使得它相对难以被广泛采用

问题三（导论）：

如何实现高精度、对噪声具有良好鲁棒性的故障诊断方法，特别是在噪声标签下的故障诊断方法，是一个重要的挑战
本文提出了一种基于改进ResNet的噪声标签和环境下滚动轴承故障诊断方法
所有设计了一种由小波变换(WT)和改进的ResNet组成的智能方法
（1）通过小波变换将原始信号转换为时频(TF)图像
（2）将网络中的奇异值分解(SVD)与池化层相结合，采用新的池化层和全局SVD自适应策略进行降维
（3）为了提高对噪声的鲁棒性，采用softmax的双温泛化来代替原有的softmax层和对数损失进行训练。最后，分别在噪声标签和噪声环境下对模型进行训练

本研究的主要贡献总结如下:

（1）

将小波变换与改进的Resnet相结合，提出了一种新的滚动轴承FD方法WT- iresnet 该方法对噪声具有较强的鲁棒性，在噪声标签和噪声环境下仍能保持良好的性能

（2）

提出了一种新的降维方法来代替传统的池化层 使用新的损失函数来代替原有的softmax层，设计了一种新的IResNet模型

（3）
代替原有的全连接层在CNN中进行分类，提出了一种新的全局SVD自适应策略，取每个特征映射的最大奇异值，将结果向量直接发送到修正的oftmax层中，不仅更有意义和可解释，而且从本质上防止了整体结构的过拟合

理论基础

1.小波变换

与时域或频域的一维信号相比，图像是一个二维数据矩阵，包含了更多更丰富的特征信息，因此可以用来表示更复杂的数据分布。
对于人类来说，从直观的图像中学习特征比从抽象的数据中学习相对容易，这意味着在CNN的学习过程中，将信号转化为图像可能是一种合适的方式(Fu et al, 2017)
目前

Wigner-Ville (WV)分布
Hilbert变换(HHT)
短时傅立叶变换(STFT)
小波变换(WT)

被广泛应用于TF图像的获取
但是
（1）Wigner-Ville (WV)分布分布可能会引起内在交叉干扰项的问题。
高温会产生严重的边界效应，对原始数据造成污染
（2）
短时傅立叶变换(STFT)的窗口大小是不变的
（2）
小波变换克服了上述方法的缺点，具有变窗特性和较强的时频特征提取能力(Xia et al .， 2018;Chen et al .， 2016;Malhotra et al, 2021)。

本研究采用小波变换将一维信号转换为二维的TF图像

小波变换

小波变换作为一种时频分析方法，近10年来发展迅速。原始信号可以通过小波变换分解为多个振荡函数，振荡函数来自母小波的平移和缩放(Wang et al, 2018)。为了提取故障特征，WT求解初始信号与小波基函数的卷积

其中𝑓(t)为原始信号
为平移参数

变量为母小波
𝑎为比例因子
（1）若
为连续小波变换(CWT)，𝑎为尺度参数。
另一方面，𝑎可以定义为离散小波变换(DWT)的尺度常数。

残差网络

残差网络（ResNet）是一种改进的卷积网络，旨在解决梯度消失/爆炸和退化问题（He et al.
梯度和退化问题（He 等人，2016 年）。对于较浅的模型、
对于较浅的模型，在其较深的模型上添加的层是身份映射。
Resnet 应用了一个残差模块，明确地让每个堆叠的
层学习残差映射（Zhong 等，2018；Zhao 等，2020a；Amini 和 Zhu，2021）
卷积层（CLs）是ResNet的基础，旨在减少模型参数的数量（Lin等人，2022）。在CLs中，输入局部区域与多个卷积核进行卷积，然后由激活单元生成输出特征
013

方法

1.拟议方法的框架

（1）对于从实际工业应用中获得的信号，大量的噪声是不可避免的
（2）应用于神经网络的卷积核和池核通常充当局部特征提取器。在信号噪声的干扰下，神经网络的特征学习能力受到显著影响
（3）由于对专业分析和专家经验的依赖，高质量的标签成本高昂，因此人为错误导致的混乱标签也是不可避免的
在这种情况下，许多现有的数据驱动FD方法的性能将大幅下降（Su等人，2021；梁等人，2020b）
为了克服上述问题
提出了一种新的FD方法来识别滚动轴承的故障，称为WT IResNet
该方法由两个主要部分组成，用于生成图像的小波变换和用于图像分类的IResNet

具体步骤
（1）通过小波变换，将滚动轴承的原始信号转换为TF图像
（2）TF图像按一定比例分为三部分，即训练数据集、验证数据集和测试数据集
（3）初始化的IResNet模型由训练集进行训练
（4）使用验证集选择性能最佳的模型
（4）输出诊断结果

2.改进的ResNet

改进后的ResNet的主要结构与通常的ResNet相同

（1）主要的区别在于，常规池化层被SVD池化层所取代
（2）传统的softmax输出层被一个新的损失函数所取代，该函数名为tempered softmax，包含两个可调参数
（3）
每个残差块的主干包括两组卷积和批归一化层
捷径连接是一种“卷积-批归一化”结构

首先，该模型进行卷积运算和SVD池化运算
然后应用残差块进行映射
然后是SVD池化层。

经过三个阶段后，为了解决过拟合问题，采用全局SVD自适应策略，充分利用特征图像并将矢量结果馈送到softmax层

2.1 SVD池化层

（1）原池化层：
原始池化旨在减少参数数量，实现空间不变性，从而简化了计算的复杂性，使优化更加方便(Li and Lima, 2021)
最大池化是在ResNet中常用的降维方法之一
max-pooling只是简单地取某一范围的最大值，从而造成了一些有用信息的丢失。这就影响了特征的不变性
在一定程度上降低了网络的泛化能力
为了克服这一缺点，在本研究中，我们提出了一种新的SVD池来代替原来的池
（2） SVD池化层
（1）奇异值通常按降序排列，值的大小代表维度的重要性。然后，SVD池化在奇异值的对角矩阵上执行最大操作。修正后的特征图保留最大奇异值
（2）奇异值分解作为一种经典的矩阵分解技术，在许多领域得到了广泛的应用，特别是在降维算法的特征分解中
（3）SVD池化可以提高传输信息的完整性，保留更多特征图的背景信息(Škorić et al .， 2022)
（4）奇异值表示原始矩阵对应特征维中包含的信息量。奇异值的大小越大，对应的特（5）征维在形成原始矩阵过程中的作用越大
在应用奇异值分解降噪时，大的奇异值表示有用特征所在的位置，小的奇异值可以认为是由于图像的噪声造成的
（3） 本研究
在本研究中，SVD池化的核心是将SVD在特征分解和降噪方面的优势与池化操作相结合，充分利用最大奇异值而忽略其他奇异值。因此，SVD池化不仅可以用于降维的特征提取，而且可以很好地去噪

𝑢 𝑘 𝑝𝑞 和𝑣 𝑘 𝑝𝑞 分别表示中的左奇异矩阵和右奇异矩阵𝑘池化操作的第th个特征图
𝑥 𝑘 𝑝𝑞 在池化区域𝑅𝑖𝑗 周围位置(𝑝, 𝑞)
𝑧 𝑘 𝑖𝑗 表示输出

2.2 全局SVD自适应策略

传统的卷积神经网络应用全连接层进行分类。然而，传统的全连接层依赖于丢弃正则化层（Dropout），因为它们容易过拟合（引用自张等人，2019年；敏等人，2014年）
本文提出了一种全局SVD自适应策略。该方法结合了SVD和全局池的优点，使模型对空间平移更加鲁棒

（1） 其思想是在每个特征图中进行SVD运算，最大奇异值作为结果送到softmax层中的结果向量中
（2）通过加强特征图和类别之间的对应关系，该模型更有意义，更具可解释性
（3）全局SVD自适应策略是一个结构正则化子，从而避免了过拟合。
【之所以被称为一种结构正则化方法，是因为它通过对模型的结构和参数进行约束和调整，有助于减少模型的过拟合风险，从而提高模型的泛化能力】

2.3 逻辑损失的改进

softmax损失，也称为逻辑损失
在最后一层应用softmax函数来获得类概率和相对熵
在大多数情况下，它可以表现良好
然而，在噪声标签的情况下，神经网络很难收敛到理想的分类边界，并且影响了神经网络的性能

（1）softmax损失的凸性使得神经网络容易受到噪声样本的影响
这是因为逻辑损失函数没有上界，错误标记的样本往往位于远离决策边界的位置，导致决策边界的扩展和牺牲其他正确标记的样本，从而影响训练结果
（2）Softmax 函数的指数衰减尾部较短
为了确保不属于分类的值更接近于0，训练过程会倾向于使边界更接近错误标记的样本
【指数衰减尾部：Softmax函数是用于多类别分类的激活函数，它会将输入值转换成概率分布。文中提到Softmax函数的指数衰减尾部较短，意味着当输入值较大或较小时，Softmax函数的输出值会迅速趋向于1或0，这是因为指数函数的特性。】

结论
即使标签噪声水平较低，网络的泛化性能也会大大恶化（Gehlot等人，2021；Amid等人，2019；Ahmed等人，2020）
本文改进
（1）对传统的softmax损失进行了改进，增加了损失的有界性和softmax的尾部权重
（2）WT IResNet方法中，将原始softmax损失的对数和指数函数替换为包含两个可调参数的新损失函数


改进的函数𝑙𝑜𝑔𝑡 对异常值更具鲁棒性
（1）因为它在 0 ≤ 𝑡 < 1 范围内受到下界的限制，下界为 −1∕(1 −𝑡)
【“受到下界的限制”：改进的函数 𝑙𝑜𝑔𝑡 在 0 ≤ 𝑡 < 1 范围内有一个下界（bounded），即它的值不会小于 −1∕(1 −𝑡)。这种下界的存在可以帮助防止函数在某些情况下出现不稳定的情况】
（2）改进的函数 𝑒𝑥𝑝𝑡 具有温度参数 𝑡 ∈ 𝑅，是 𝑙𝑜𝑔𝑡 的倒数

（3）与自然的 𝑒𝑥𝑝 函数不同，改进的函数 𝑒𝑥𝑝𝑡 在 𝑡 > 1 时被实现
这个性质用于定义在最后一层中 softmax 概率的重尾巴（heavy tail）。通过引入重尾巴，损失的鲁棒性得到了显著提高

实验

为了验证我们提出的WTIResnet方法的故障诊断性能，对轴承故障进行了两个案例研究
**

案例一：凯斯西储大学（CWRU）的轴承数据集

**

1. 实验设置和数据描述（介绍）

分析了CWRU的公共承载条件数据集

（1）实验装置由三个主要部分组成，一个感应电机、一个扭矩传感器/编码器和一个测功机。安装在部件外壳上的加速度计用于收集振动信号（Smith和Randall，2015）
（2）轴承在正常和故障条件下进行测试，包括正常（Nor）、滚珠缺陷（BD）、内座圈故障（IF）和外座圈故障（OF）
（3） 采用放电加工将单点故障引入每个轴承，故障直径分别为0.007、0.014和0.021英寸
本文
（1）本文考虑了10种健康状况类型的分类，在24kHz的采样频率下，在四种负载条件（0、1、2和3hp）下采集振动信号
【horsepower"（马力）】
（2）对于每个轴承条件，我们采用 200 个样本，共 600 个数据点。300 个数据点是相邻截面之间的重合点
ps:有300个数据点是与前一个或后一个样本共享的。这种重叠的数据点在连续的样本之间是相同的。
（3）因此，数据集中总共有 2000 个样本，每个健康状况有 200 个样本。
样本。
（4）我们将数据集分为训练集、验证集和测试集。训练集、用于防止过拟合的验证集和用于评估训练后模型的测试集。测试集用于评估训练模型，比例分别为 70%、20% 和 10%

2. 模型评估指标

3.所提出方法中超参数的选择

到目前为止，还没有广泛接受的方法来确定合适的超参数
（1）滑动窗口尺寸
首先需要选择的超参数是移动窗口的大小。如果移动窗口的大小太小，信号中的数据点会太少，难以捕捉到故障特征的分布。如果移动窗口的大小太大，样本数量会大幅减少，这可能导致诊断模型过度拟合。为了选择合适的时间窗口大小，初始的移动窗口大小设置为100、300、600和1200。当时间窗口大小为1200时，测试准确率最高。因此，在这种情况下，时间窗口大小被设置为1200

（2） 基本波（basic wave）的类型
在使用小波变换（Wavelet Transform，WT）处理信号时，选择合适的基本波非常重要。
不幸的是，目前对基本波的选择并不严格定量，通常涉及正交性、规律性、对称性以及支持大小等方面的比较。
在本节中，我们将通过比较五种常见的小波基函数的结果来研究基本波对测试准确性的影响
Haar、Db4、Morlet、Coif5和Sym 8五种基本波函数下，提出的WT-IResNet方法的测试准确性。
从图中可以看出，当使用Morlet基本波函数时，诊断结果最好

（3） TF图像的分辨率
它对故障诊断的准确性和训练时间有很大影响
如果TF图像的分辨率太小，可能会丢失一些重要的特征信息，这将在一定程度上降低故障诊断的准确性。
当TF图像的分辨率太大时，诊断模型不可避免地会变得更加复杂，导致训练时间更长，效率更低。
将研究3232、6464和128*128图像分辨率下的平均测试精度和训练时间

测试精度和训练时间随着图像分辨率的增加而增加。然而，训练时间的增加更大
（3） 其他超参数

4. 标题噪声标签下的性能

在现实环境中，由于人为操作的失误，错误的标签是不可避免的。然而，如果有太多的噪声标签，研究将变得毫无意义，因为在实际的故障诊断中不允许发生如此巨大的错误。
本文中，将0%、2%、5%和10%的标签噪声率添加到训练集中，形成四个训练子数据集，每个数据集包括1400个训练样本、400个验证样本和200个测试样本。
将我们改进的ResNet与
支持向量机（SVM）、极限学习机（ELM）、决策树（DT）和传统ResNet的性能
进行了比较。我们将每个试验重复十次，并采用每个实验的平均值作为评估指标

随着LNR的增加，五种方法的测试精度在不同水平上都有所下降。然而，当标签噪声率为0%、2%、5%和10%时，所提出的模型实现了更好的性能，即比传统的ResNet高0.77%、0.82%、2.56%和3.16%

9直观地显示了比较结果，其中所提出的WTIResNet模型的性能在所有噪声率上都优于其他方法。为了更详细地呈现我们提出的方法对标签噪声的诊断结果，基于表5创建了一组混淆矩阵

结论
（1）提出的方法在不同级别的标签噪声下表现出优异的鲁棒性。即使有10%的噪声标签，我们改进的Resnet模型也表现良好，达到了令人满意的精度
（2）这是因为传统softmax损失的对数和指数函数被包含两个可调参数的新损失函数所取代。在可调参数的帮助下，定义了最后一层softmax概率的重尾，这可以显著提高损失的鲁棒性

显示了通过t-SNE方法对测试样本的特征分布进行可视化
(1)当原始小波时频图像被简化为二维图像时，特征分布非常难以分割，而特征在被所提出的模型训练后变得可分割


参数量和计算复杂度
为了揭示我们提出的方法的计算负担和复杂性，增加了模型参数和训练时间的比较，结果

（1）改进的Resnet中的模型参数比传统的Resnet少，这表明故障诊断性能的显著提高来自于对几何变换建模的能力，而不是增加模型参数
（2）原因可能是改进的ResNet使用全局SVD自适应策略而不是传统的全连接层。就训练时间而言，不可否认，改进的Resnet的训练时间比传统的Resnet要长，因为矩阵的奇异值分解需要花费大量的时间
（3）考虑到我们提出的方法在对噪声环境和标签的适应能力方面的优异性能，结果是可以接受的

5.噪声环境下的性能

评估了WT IResNet在噪声环境下的性能。为了模拟工业生产中的实际情况，在各种信噪比（SNR）下，将几种信噪比的加性高斯白噪声（WGN）添加到原始故障信号中。SNR的定义如等式所示。

原始信号（红线）和添加−4 db WGN信号（黑线）的频谱。从中可以看出，加入WGN后，振幅增大，频谱分量混乱。图14显示了原始信号和添加−4 db WGN信号的时频图像表示。显然，添加噪声后，信号的特征被淹没，这将大大增加故障诊断的难度。

（a）正常，（b）BD中0.007，（c）BD中0.014，（d）BD中0.021，（e）IF中0.007、（f）IF中0.014、（g）IF中0.021、（h）of中0.007的频域中的原始信号和加−4 db WGN信号【Amplitude" 是一个物理和数学术语，指的是波动或振动的振幅或幅度。它表示波动或振动的最大偏离或最大值，通常以峰值或峰值-峰值来衡量。】

对比实验
(1)将WT IResNet与MSCNNBiLSTM（Xu等人，2022a）、VMD DCNNs（Xu et al.，2020）、CatAEE（Hao等人，2020）和CNN-LSTM对比
(2)噪声信号的范围从−4 dB到10 dB。此外，由于WT IResNet具有出色的诊断性能，我们还对其进行了测试，SNR值为−6dB

所有方法在高SNR值下都表现良好。但随着信噪比的下降，VMD-DCNNs和CNN-LSTM的精度显著下降
当信噪比（SNR）值为-4分贝时，CatAEE和MSCNN-BiLSTM的测试准确度都低于90%，而我们提出的方法的测试准确度保持较高。特别是当SNR值为-6分贝时，WT-IResNet的测试准确度接近90%。这证明与其他方法相比，WT-IResNet在噪声环境下具有更好的鲁棒性。
与其他方法相比，WT IResNet对噪声具有更好的鲁棒性

结论

（1）这是因为在神经网络中应用的卷积核和池化核通常充当局部特征提取器。在信号噪声的干扰下，由于局部特征提取器难以检测相关故障特征，神经网络的特征学习能力受到显著影响。然而，我们提出的WT IResNet方法使用新的奇异值分解（SVD）池化层进行降维，并使用全局SVD自适应策略进行特征提取。
（2）与原始池相比，SVD池可以提高传输信息的完整性，并保留更多的特征图背景信息，从而在噪声环境下获得更出色的性能

2.东南大学轴承数据集

1.实验设置和数据描述

对东南大学提供的公共齿轮箱数据集进行了分析。SEU数据集是从实验装置中收集的（Shao等人，2019）
该数据集包括齿轮箱数据和轴承数据的两种不同工况：20 HZ–0 V和30 HZ–2 V

轴承数据集有五种不同的工况、一种健康状态和四种故障类型
在本研究中，我们将轴承数据集应用于20 HZ–0 V的载荷集下，以验证WT IResNet的性能
轴承故障诊断是一项5类的分类任务
对于每种故障类型，它由700个样本组成，其中2100个数据点，1050个数据点是相邻区段之间的重合点，总共包含3500个样本，用于训练我们提出的模型的训练集、用于防止可能的过拟合的验证集和用于验证训练模型的泛化能力的测试集。这种情况的比例与第一种情况相同

2.噪声标签下的性能

们改进的ResNet的性能也与SVM、ELM、DT和传统的ResNet在不同的噪声标签水平下进行了比较

WT-IResNet的性能优于其他几种现有方法。当噪声标签率（LNR）较高时，其他方法的测试准确度急剧下降，而IResNet的性能仍然表现出色。

混淆矩阵的图表，该图表显示了我们提出的方法针对标签噪声的准确性

t-SNE
测试样本的特征分布通过t-SNE进行了可视化
从图19可以看出，当通过WT进行变换的时频图像被降维成2维图像时，分类边界显然无法区分。然而，如图20所示，在经过IResNet训练后，最后一层的特征非常可分

3. 噪声环境下的性能

(2)评估了我们提出的模型在噪声环境中的性能。噪声信号的范围从0 dB到10 dB。

(a) Ball, (b) Inner, © Outer, (d) Combination, (e) Normal.
左边为原始，右边为加了噪声
添加噪声后，信号的特征被淹没，这将大大增加故障诊断的难度

(2)将WT IResNet的精度与其他几种现有方法进行了比较
当SNR从0dB变化到10dB时，WT IResNet总是显示出最佳精度。随着信噪比的下降，1-DCNN的精度显著下降。当信噪比为0dB时，WT IResNet的准确率高于97%，而ResNet、1D-WDCNN和RWKDCAE的准确率仅为95%左右，证明了WT IResNet在噪声环境下具有良好的故障诊断和特征学习能力