摘要
针对传统基于深度学习的轴承故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于多尺度动态卷积神经网络的(Multi-scale dynamic convolutional neural network,MSDCNN)的滚动轴承故障诊断方法。首先,采用傅里叶变换将滚动轴承一维振动信号转换到频域进行表示,并通过宽卷积核进一步提取特征。其次,提出了一种多尺度动态卷积的结构,利用改进的通道注意力机制对不同大小的卷积核提取的特征信息赋予不同的权重。然后,设计了一种自校准空间注意力机制(Self-calibrating spatial attention mechanism,SCSAM),将提取的特征信息输入到空间注意力机制中捕获不同区域的重要程度。最后通过小卷积核进一步提取特征,利用Softmax分类器进行故障类别分类。使用三种不同数据集验证所提模型的故障诊断性能,实验结果表明,与其它智能模型相比,本文模型在强噪声背景下有着更高的分类精度、更好的泛化能力和更强的鲁棒性。
-
单位云南文山铝业有限公司; 兰州理工大学; 机电工程学院