轴承变工况故障的深度学习网络诊断研究

简介

为了提高轴承在变工况下的故障诊断准确率,提出了融合注意力机制的卷积神经网络诊断方法。分析了卷积神经网络结构工作原理及参数优化方法。给出了注意力机制的实现方法,并将注意力机制融入到卷积神经网络中,帮助卷积神经网络从众多特征中选择对当前任务敏感的深层特征,从而提出了融入注意力机制卷积神经网络的故障诊断方法。明确了融合注意力机制卷积神经网络结构和诊断流程。经过实验验证,在单工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高2.94%;在两工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高3.42%,以上数据证明了ATTM-CNN算法具有较高的诊断准确率和较好的泛化能力。