基于注意力循环胶囊网络的滚动轴承故障诊断

针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ，简称SNR）低的特点，提出了一种利用注意力循环机制（attention recurrent，简称AR）构建数字胶囊并与胶囊网络（capsule network，简称Caps）相融合的微弱故障诊断模型。首先，在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network，简称Bi?LSTM），对时频图中的时序特征进行提取，并建立胶囊间的非线性关联；其次，引入注意力循环机制构建数字胶囊，提高时频图中不同时间和频带的能量强度变化的影响力；然后，通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合，实现特征的多样提取；最后，利用softmax分类器将融合特征映射到输出层，实现高噪声环境下的滚动轴承故障诊断。结果表明，该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度，并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。

Fault Diagnosis of Rolling Bearing Based on Attention Recurrent Capsule Network