文献类型：期刊文章

作　　者：张珂[1] 王竞禹[1] 石怀涛[1] 张啸尘[1] 付玲[2]

ZHANG Ke;WANG Jing-yu;SHI Huai-tao;ZHANG Xiao-chen;FU Ling(School of Mechanical Engineering,Shenyang Jianzhu University,Shenyang 110168,China;Zoomlion Heavy Industry Science and Technology Co.,Ltd.,Changsha 410006,China)

机构地区：[1]沈阳建筑大学机械工程学院,辽宁沈阳110168 [2]中联重科股份有限公司,湖南长沙410006

出　　处：《控制工程》

基　　金：国家自然科学基金资助项目(52175107);住建部科技计划项目(2019-K-080,2019-K-088);河北省重点研发计划项目(19211904D);沈阳市重点创新研发计划项目(Y19-1-004);沈阳市重点科技研究项目(20-202-4-40)。

年　　份：2022

卷　　号：29

期　　号：2

起止页码：254-262

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：针对滚动轴承工作环境多变和样本不足导致故障诊断效果不佳的问题,提出一种多模态注意力卷积神经网络。该网络采用多个并行卷积层构建,并结合注意力机制,有效地提取了丰富的故障特征。然后提出了两种有限数据条件下的数据增强方法,解决了数据样本不足的问题。另外,将采集到的滚动轴承时域信号通过小波变换转换为时频图谱作为网络输入来提高数据质量,利用多种转频下故障数据对所提方法进行实验分析。结果表明,该方法在变工况实验中准确率高,聚类效果明显,说明该方法能有效提高变工况下轴承故障诊断的精度,具有很好的应用价值。

关 键 词：变工况轴承故障诊断  卷积神经网络 注意力机制  数据增强  小波变换

分 类 号：TH-17[机械类] TP183]