轴承变工况故障的深度学习网络诊断研究

作者：陈月凤

来源：机械设计与制造, 2022, (12): 172-180.

DOI：10.19356/j.cnki.1001-3997.2022.12.010

• 轴承故障诊断
• 变工况
• 卷积神经网络
• 注意力机制

为了提高轴承在变工况下的故障诊断准确率，提出了融合注意力机制的卷积神经网络诊断方法。分析了卷积神经网络结构工作原理及参数优化方法。给出了注意力机制的实现方法，并将注意力机制融入到卷积神经网络中，帮助卷积神经网络从众多特征中选择对当前任务敏感的深层特征，从而提出了融入注意力机制卷积神经网络的故障诊断方法。明确了融合注意力机制卷积神经网络结构和诊断流程。经过实验验证，在单工况的变工况下，ATTM-CNN神经网络的识别准确率均值比CNN网络高2.94%；在两工况的变工况下，ATTM-CNN神经网络的识别准确率均值比CNN网络高3.42%，以上数据证明了ATTM-CNN算法具有较高的诊断准确率和较好的泛化能力。

• 单位
  山东职业学院