科研之友
微信
新浪微博
Facebook
分享链接
摘要
为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重，导致无法提取具有代表性意义的特征，进而影响诊断模型的精确度与鲁棒性的问题。提出基于反向注意力机制(reverse attention mechanism, RA)的特征突出处理方法，通过将特征进行注意力反向与剪枝，降低非重要特征占比，从而对重要特征进行凸显。并通过长短期记忆网络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。通过实验选取了最优数据截取长度、剪枝超参数并对信号添加噪声后模型的稳定性进行了验证。实验结果表明所提出的RA-LSTM轴承故障诊断方法具有优异的故障诊断性能，故障诊断精度能达到100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。
- 单位
