文献类型：期刊文章

作　　者：赵小强[1,2,3] 张亚洲[1]

ZHAO Xiaoqiang;ZHANG Yazhou(College of Electrical Engineering and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China;Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou University of Technology, Lanzhou 730050, China;National Experimental Teaching Center of Electrical and Control Engineering, Lanzhou University of Technology, Lanzhou 730050, China)

机构地区：[1]兰州理工大学电气工程与信息工程学院,兰州730050 [2]兰州理工大学甘肃省工业过程先进控制重点实验室,兰州730050 [3]兰州理工大学国家级电气与控制工程实验教学中心,兰州730050

出　　处：《西安交通大学学报》

基　　金：国家自然科学基金资助项目(61763029);甘肃省高等学校产业支撑引导项目(2019C-05);甘肃省工业过程先进控制重点实验室开放基金项目(2019KFJJ01)。

年　　份：2021

卷　　号：55

期　　号：12

起止页码：108-118

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对滚动轴承在强噪声环境和变工况下故障诊断效果不佳、泛化能力差的问题,提出一种改进卷积神经网络(CNN)的滚动轴承变工况故障诊断方法。设计了多尺度特征提取模块,采用不同尺度的卷积层提取对输入数据特征,实现了提取故障数据中特征信息最大化。同时,引入通道注意力机制,提取出该模块中更重要、更关键的信息;设计了带跳跃连接线的卷积模块,防止提取到的丰富特征在卷积层前向传递时丢失;以Softmax交叉熵作为损失函数,利用Adam优化算法实现滚动轴承故障诊断。将所提方法分别在凯斯西储大学轴承数据集和变速箱数据集上进行实验验证,结果表明:在凯斯西储大学轴承数据集上的变噪声实验中,所提方法诊断平均准确率为96.49%,在变工况中诊断准确率在90%以上,均高于比较方法;在变速箱轴承数据集上,所提方法诊断准确率为99.54%,具有较好的抗噪性和更好的泛化能力。

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  

分 类 号：TH133.3] TP206.3]