关键词:
变工况故障诊断
卷积神经网络
注意力机制
深度学习
摘要:
在工程实践中,故障诊断模型的性能受到多种因素的影响,如强噪声干扰、小样本、模型参数规模较大等,对现有的数据驱动设备诊断智能模型的应用提出了挑战。本文提出一种基于并行优化卷积块注意力模块(convolutional block attention module,CBAM)的轻量级模型PCSA-Net。首先,采用多尺度信号特征提取器(signal feature extractor,SFE)将输入的传感器信号转换为特征映射。然后,优化传统的CBAM,开发协同注意力块,设计一种可学习的层缩放策略,并行化感知数据特征,使用点卷积与平均池化层组合,构建PW-Pool降维模块,减少模型参数量,对特征图的通道特征向量进行积分,得到最终的诊断结果。最后,选取包含轴承常见故障的两个数据集对模型进行验证,实验结果显示,在小样本轴承故障诊断(bearing fault diagnosis,BFD)任务中,本文模型与现有主流的故障诊断框架相比在轻量性和鲁棒性等方面表现更加优异,可满足实际轴承故障检测需求。