-
作者
张军朱国庆谢由生
-
单位
安徽理工大学人工智能学院安徽理工大学机械工程学院
-
摘要
针对重载滚动轴承在交变工况条件下运行时导致的故障诊断效果差、分类精度低的问题，提出一种融合注意力机制的二维CNN滚动轴承诊断方法。对滚动轴承在正常运行时和发生不同故障时的原始信号采用短时傅里叶变换处理，并为其设定标签作为训练样本。为提高特征识别率，设计了融合注意力机制的多尺度卷积模块，通过对滚动轴承有效的特征给予更多“注意”,从而提高滚动轴承的故障诊断精度，并借助江南大学轴承数据集加以实验验证。研究表明：以准确率和混淆矩阵为评价指标，在单工况条件下，融合注意力机制二维卷积神经网络平均准确率为99.60%,在变工况条件下的平均准确率为98.41%,均优于BP网络、标准CNN和支持向量机(SVM)模型，实现了轴承故障的高效诊断。
-
关键词
故障诊断滚动轴承变工况卷积神经网络注意力机制
-
基金项目(Foundation)
国家自然基金资助项目(51175005)；教育部协同育人项目(202101054003)；安徽理工大学研究生核心课程项目(2021HX013)；
-
文章目录
1 方法介绍
1.1 卷积神经网络
1.2 注意力机制
1.3 多特征提取
1.4 融合注意力机制的CNN网络框架
1.5 滚动轴承的故障识别过程
2 实验验证
2.1 故障数据集描述与处理
2.2 模型结构参数
2.3 实验结果分析
2.4 对比分析
3 结论
-
引用格式
张军,朱国庆,谢由生.融合注意力机制的二维CNN变工况轴承故障诊断[J].安徽理工大学学报(自然科学版),2022,42(02):66-72.
安徽理工大学学报（自然科学版） 
2022年第02期 
