MHSACAE-CNN在噪声下的电机轴承故障诊断

电机的运行情况复杂，实际运行工况下会有大量的噪声，导致其轴承故障诊断精度下降。为了改善这一问题，提出了一种基于多头自注意力机制的一维全卷积自编码网络（One-dimensional Fully Convolutional Autoencoding Network Basedon Multi-head Self-attention,MHSACAE）与卷积神经网络（Convolutional Neural Network,CNN）结合的轴承故障诊断方法。该方法先采用MHSACAE网络进行降噪，再通过CNN进行故障诊断。其中MHSACAE去噪网络采用无监督训练的方式，充分考虑了实际工况和序列数据内在联系，在实现对噪声的滤除效果的同时，最大限度地保留下了原始的故障信息，使得CNN可以实现在噪声情况下对电机轴承故障的高精度诊断。通过与其他轴承故障诊断方法在噪声情况下进行对比，证明提出的方法具有更好的效果。

Fault diagnosis of motor bearing under high noise based on MHSACAE-CNN