文献类型：期刊文章

作　　者：吴静然[1] 丁恩杰[2,3] 崔冉[1] 刘建华[1]

WU Jingran;DING Enjie;CUI Ran;LIU Jianhua(Xuhai College,China University of Mining and Technology,Xuzhou,Jiangsu 221008,China;CUMT-IoT Perception Mine Research Center,China University of Mining and Technology,Xuzhou,Jiangsu 221008,China;School of Information and Control Engineering,China University of Mining and Technology,Xuzhou,Jiangsu 221008,China)

机构地区：[1]中国矿业大学徐海学院,江苏徐州221008 [2]中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008 [3]中国矿业大学信息与控制工程学院,江苏徐州221008

出　　处：《西安交通大学学报》

基　　金：“十三五”国家重点研发计划资助项目(2017YFC0804400);江苏省高等学校自然科学研究资助项目(19KJB510064)

年　　份：2020

卷　　号：54

期　　号：2

起止页码：51-58

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4 dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。

关 键 词：旋转机械 故障诊断 随机丢弃  多尺度特征提取  注意力机制  

分 类 号：TH133.33] TP18]