科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统的轴承故障诊断方法在强噪声与变负载下关键特征提取不充分的问题，提出了一种基于ECA＿ResNet的轴承故障诊断方法。首先，利用短时傅里叶变换与伪彩色处理方法将轴承振动信号转换成三通道彩色图像作为输入样本集；其次，基于卷积和池化操作对数据进行浅层边缘特征提取与压缩，进一步将有效的通道注意力网络(ECA-Net)引入到残差网络模块中，解决网络退化的问题，建立通道之间的联系，自适应提取深层关键特征；最后，引入Dropout抑制模型过拟合，并以Softmax层作为分类器实现故障诊断。利用凯斯西储大学与江南大学轴承数据集进行实验验证，结果表明，该方法在强噪声和变负载下的平均准确率可达97.5%与93.69%，与其他深度学习方法相比，具有更好的抗噪性、泛化性和通用性。
- 单位
