基于特征扩展CapsNet的轴承故障诊断模型

基于深度网络的轴承故障诊断模型,其深层次的特征提取往往需要大量的训练样本,诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(CapsNet)在处理小样本数据上的优势,通过扩展故障特征向量和改进预测胶囊迭代约束条件,使网络适用于噪声工况下的轴承故障诊断,提高预测精度。在CapsNet的初级胶囊层引入特征图跨通道约束关系,由原来的通道内约束改进为通道内-通道间混合约束,扩展胶囊特征向量,使其能描述故障信号时间序列中与远距离序列点相关的几何特性,为数字胶囊层预测网络提供更完备的故障特征。同时,利用余弦相似度作为特征向量的度量并为数字胶囊层的迭代筛选提供依据,避免向量模值造成的分类误差。凯斯西储大学(CWRU)轴承数据集实验结果表明,改进的iCapsNet诊断模型泛化性能得到明显提升,在信噪比为0 dB时,预测精度可达到90.9%,相比原CapsNet模型提高了44.8%。     

宽卷积局部特征扩展的 Transformer 网络故障诊断模型

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。