针对普通滚动轴承智能故障诊断方法自适应提取能力弱及故障诊断率低的问题,提出一种基于混合注意力机制模型的滚动轴承故障诊断方法。将一维原始振动信号通过连续小波变换转换为二维特征图像,输入到卷积核注意力机制中以自适应提取故障特征;将提取特征后的图像输入到TDSC模型中,以此量化模型参数、减少每个参数占用内存和对训练好的复杂模型进行压缩,同时提高模型的推理速度和模型训练的准确率;最后,通过2个不同的公开轴承数据集进行实验验证。结果表明2个数据集故障诊断的最高准确率分别达到了99.99%和99.70%,证明了基于混合注意力机制的轴承故障诊断方法的可行性和优越性。

针对不同程度的小分类轴承故障,现有故障诊断方法准确率不高的问题,提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障,提出基于GWO自适应优化结构元素参数的CMFH滤波方法,增强振动信号的脉冲故障特征并抑制背景噪声;采用连续小波变换将滤波后的信号转换成二维时频图谱;最后,提出基于混合注意力机制改进的残差网络模型,提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验,不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性,可提高滚动轴承不同故障程度的诊断效果。