文献类型：期刊文章

作　　者：刘洋[1] 程强[1] 史曜炜[1] 王煜伟[2] 王姗[3] 邓艾东[1]

Liu Yang;Cheng Qiang;Shi Yaowei;Wang Yuwei;Wang Shan;Deng Aidong(National Engineering Research Center of Turbo-Generator Vibration,School of Energy and Environment,Southeast University,Nanjing 210096,China;China Energy Investment Jianbi Power Plant,Zhenjiang 212006,China;Anhui Electric Power Design Institute of CEEC,Hefei 230601,China)

机构地区：[1]东南大学能源与环境学院火电机组振动国家工程研究中心,南京210096 [2]国家能源集团谏壁发电厂,镇江212006 [3]中国能源建设集团安徽省电力设计院,合肥230601

出　　处：《太阳能学报》

基　　金：国家自然科学基金(51875100);中央高校基本科研业务费专项资金项目(2242020k30031)。

年　　份：2022

卷　　号：43

期　　号：3

起止页码：462-468

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统的卷积神经网络对特征的辨识性差的问题,提出一种将注意力模块与一维卷积神经网络相结合的滚动轴承故障诊断模型。首先以加入噪声的振动信号作为输入,利用“卷积+池化”单元提取信号的多维特征,然后通过注意力模块对特征赋予不同的权重,利用双池化层取代传统卷积神经网络中的全连接层进行特征的再次提取及特征信息整合,最后通过Softmax层完成轴承状态分类。实验表明,该模型诊断准确率可达99%,与传统模型相比,其准确率更高、收敛速度更快、训练过程更稳定、变负载情况下泛化性能更好。

关 键 词：风力机 滚动轴承 故障诊断  卷积神经网络 注意力机制  特征提取  

分 类 号：TH133.33]