文献类型：期刊文章

作　　者：姚齐水[1] 别帅帅[1] 余江鸿[1] 陈前旭[1]

YAO Qi-shui;BIE Shuai-shuai;YU Jiang-hong;CHEN Qian-xu(School of Mechanical Engineering,Hunan University of Technology,Zhuzhou 412007,China)

机构地区：[1]湖南工业大学机械工程学院,湖南株洲412007

出　　处：《振动工程学报》

基　　金：湖南省自然科学基金资助项目(2021JJ50054)。

年　　份：2022

卷　　号：35

期　　号：4

起止页码：949-957

语　　种：中文

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

摘　　要：传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱。针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果。实验结果表明:该方法可以建立“浅层”卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75%的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中。

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

分 类 号：TH165.3] TH133.33