科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的卷积神经网络模型采用单一类型卷积核对输入特征图进行特征提取，但是在面对复杂工况下的实际数据会导致特征提取不充分，网络模型故障识别率低等不足。针对这些问题，我们提出了一种基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法MCK-CNN（Multiple Convolution Kernels-CNN）。首先将轴承一维振动信号经过小波变换转换为二维时频图，将时频图经过一个共同的特征提取网络，初步进行特征提取之后并行经过一个常规的convolution卷积网络和一个involution卷积网络，经过两个由不同卷积核构成的网络进行不同方式的特征提取之后，再通过CBAM注意力模块将两类特征自适应融合，最终经过全连接层送入到softmax函数输出分类结果。分别在CWRU公开数据集和实验室采集的四分类数据集上进行验证。结果表明该方法具有较高的故障识别率。
- 单位
