文献类型：期刊文章

作　　者：陈仁祥[1] 唐林林[1] 胡小林[2] 杨黎霞[3] 赵玲[1]

CHEN Renxiang;TANG Linlin;HU Xiaolin;YANG Lixia;ZHAO Ling(Chongqing Engineering Laboratory for Transportation Engineering Application Robot,Chongqing Jiaotong University,Chongqing 400074,China;School of Business Administration,Chongqing University of Science and Technology,Chongqing 401331,China;Chongqing Innovation Center of Industrial Big-Data Co.,Ltd.,Chongqing 400056,China)

机构地区：[1]重庆交通大学交通工程应用机器人重庆市工程实验室,重庆400074 [2]重庆工业大数据创新中心有限公司,重庆400056 [3]重庆科技学院工商管理学院,重庆401331

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51975079,62073051);国家重点研发项目(2018YFB1306601);交通工程应用机器人重庆市工程实验室开放基金(CELTEAR-KFKT-202002);重庆市教育委员会科学技术研究项目(KJQN201900721);重庆市研究生联合培养基地建设项目(JDLHPYJD2021007);重庆交通大学研究生科研创新项目(2021S0037)。

年　　份：2022

卷　　号：41

期　　号：12

起止页码：95-101

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning,DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network,ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。

关 键 词：滚动轴承 不同转速  注意力机制  迁移学习  故障诊断

分 类 号：TH212] TH213.3