基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法 |
| |
引用本文: | 刘俊,吴海军,周华西.基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法[J].组合机床与自动化加工技术,2023(2):113-116+120. |
| |
作者姓名: | 刘俊 吴海军 周华西 |
| |
作者单位: | 1. 江苏电子信息职业学院数字装备学院;2. 南京理工大学机械工程学院;3. 上海交通大学机械系统与振动国家重点实验室 |
| |
基金项目: | 国家自然科学基金(11874262);;江苏省青蓝工程骨干教师资助项目(苏教师[2020]10号);;江苏省高等学校优秀科技创新团队资助项目(苏教科[2021]1号); |
| |
摘 要: | 针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。
|
关 键 词: | 强噪声 多分支神经网络 注意力机制 深度学习 故障诊断 |
本文献已被 维普 等数据库收录! |
|