文献类型：期刊文章

作　　者：朱浩[1] 宁芊[1,2] 雷印杰[1] 陈炳才[3] 严华[1]

ZHU Hao;NING Qian;LEI Yinjie;CHEN Bingcai;YAN Hua(School of Electronic Information Engineering,Sichuan University,Chengdu 610065,China;School of Physics and Electronic Engineering,Xinjiang Normal University,Urumqi 830054,China;School of Computer Science and Technology,Dalian University of Technology,Dalian 116024,China)

机构地区：[1]四川大学电子信息学院,成都610065 [2]新疆师范大学物理与电子工程学院,乌鲁木齐830054 [3]大连理工大学计算机科学与技术学院,辽宁大连116024

出　　处：《振动与冲击》

基　　金：国家自然科学基金(61771089)。

年　　份：2020

卷　　号：39

期　　号：19

起止页码：84-93

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统机器学习方法需要大量专家知识和高昂经济成本,研究了一种基于注意力机制和Inception网络结构的卷积神经网络。其注意力机制是对数据的不同特征维度赋予不同的权重,抽取出更加关键和重要的信息,使模型做出更加准确的判断。其Inception网络结构则是拓宽网络的宽度并增加网络对卷积核尺度的适应性,以提取到更加丰富的特征。为了提高模型的泛化能力,在每个卷积层和全连接层后又添加了一个DropBlock层。最后结果显示该模型不仅在同负载的情况下获得很高的滚动轴承故障分类准确率和稳定性,并且在不同负载情况、不同规模的滚动轴承数据集上依旧能保持高的准确率与稳定性。

关 键 词：卷积神经网络 注意力机制  Inception网络结构  DropBlock  故障诊断

分 类 号：TH165.3]