关键词:
瞬时傅里叶变换
卷积神经网络
滚动轴承
故障诊断
摘要:
针对传统故障诊断方法在应对复杂工况和多样化故障模式时面临准确性和可靠性方面的问题,提出一种基于瞬时傅里叶变换(Short-Time Fourier Transform, STFT)和注意力时序卷积神经网络(Attention Temporal Convolutional Neural Network, ATCNN)的滚动轴承故障诊断方法。通过分析滚动轴承故障特征,利用STFT提取滚动轴承的振动信号作为特征参数并构建故障诊断样本,在卷积神经网络(Convolutional Neural Network, CNN)中嵌入卷积块注意力模块(Convolutional Block Attention Module, CBAM)和长短期记忆网络(Long Short-Term Memory, LSTM),实现增强对滚动轴承故障特征的提取能力和序列建模能力,提升故障诊断准确性。以凯斯西储大学轴承数据集为例,与基准CNN,CNN-LSTM和CNN-CBAM的故障诊断方法进行对比分析。结果表明:在多样化故障模式下,基于STFT和ATCNN的滚动轴承故障诊断方法的准确性和可靠性取得了显著提升,能够更准确地识别滚动轴承的故障类型。