基于注意力机制与Inception-ResNet的轴承故障诊断方法

针对滚动轴承在噪声环境下故障难以识别的问题,提出了一种结合注意力机制与Inception-ResNet滚动轴承故障判定方法。首先提出了一种将灰度图与伪色彩处理相结合的方法,将一维振动信号转化为三维RGB图像;然后结合Inception模块与残差网络,在宽度和深度两个方面拓展网络,提高网络的表达能力;最后结合CBAM注意力机制,融合通道注意力模块与空间注意力模块,增强输入特征中更重要的特征,抑制不必要的噪声特征,从而有效提高了诊断准确率。本文采用凯斯西储大学轴承数据集进行验证,并选用几个主流的深度的学习方法进行对比试验。试验结果表明：本方法具有很好的诊断准确率,平均准确率高达99.32%,在噪声状态下进行分析实验,结果表明在噪声状态下本方法依然具有良好的准确率,验证了本方法的鲁棒性。