面向轴承故障诊断的深度学习方法
近年来,深度学习技术在基于振动信号的轴承故障诊断中表现出了巨大的潜力.然而,在基于深度学习的故障诊断方法中,传统单一的网络拓扑结构特征提取的区分性弱和噪声鲁棒性低,故障诊断的准确率不高.此外,目前大多数的研究方法在变负载环境下故障识别率低.针对以上问题,提出了一种改进的神经网络端到端故障诊断模型.该模型将卷积神经网络(convolution-al neural networks,CNN)和基于注意力机制的长短期记忆网络(the attention long short-term memo-ry,ALSTM)相结合,借助ALSTM捕捉时间序列数据中的远距离相关性,有效抑制输入信号中的高频噪声.同时,引入多尺度和注意力机制,拓宽卷积核捕捉高低频特征的范围,突出故障的关键特征.经多个数据集测试,并且与现有方法进行比较,实验表明,该方法在准确率、噪声鲁棒性及变负载下的故障识别率方面表现突出.
故障诊断、卷积神经网络、长短期记忆网络、多尺度特征提取、注意力机制
27
TP315.69(计算技术、计算机技术)
国家自然科学基金;黑龙江省自然科学基金杰出青年项目;哈尔滨市杰出青年人才基金;哈尔滨理工大学杰出青年人才项目
2022-09-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
118-124