科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性，提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络，实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取；进一步引入注意力机制对各分支的输出进行权重自适应分配，在增强各域有效特征的同时抑制其无效特征对诊断结果的影响，提升模型的鲁棒性和泛化能力；最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明，所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。
- 单位
