基于改进格拉姆角场和注意力的滚动轴承故障诊断

作者：占可; 王寅杰; 董路南; 范永胜; 邓艾东

来源：轴承, 2023, 1-8.

• 滚动轴承
• 故障诊断
• 格拉姆角场
• 卷积神经网络
• 注意力机制

针对传统的卷积神经网络在噪声环境下特征辨识性差且难以充分挖掘数据信息的问题，提出基于改进的格拉姆角场(Improved Gramian Aagular Field)和注意力模块的滚动轴承故障诊断模型。首先根据轴承转速和采样频率计算单个故障周期包含的信号点数，对单个故障周期内采集到的振动信号进行分段聚合，利用格拉姆角场(Gramian Angular Field，GAF)进行编码生成相应特征图，再将其输入卷积神经网络(Convolutional Neural Networks ，CNN)进行滚动轴承故障特征的提取，并引入适用于卷积神经网络的注意力模块实现特征的自适应加权，最后输入到Softmax层完成滚动轴承故障分类。实验结果表明，该方法具有更好的抗噪能力和更高的诊断准确率。

• 单位
  东南大学