关键词:
轴承故障诊断
残差网络
注意力机制
特征融合
摘要:
针对传统故障诊断方法通常采用原始信号作为输入,无法提取信号中频域信息的问题,提出一种基于DRSN_2DCNN的故障诊断模型。通过短时傅里叶变换将原始信号从时域信号转化为时频图,作为第二特征图输入;采用残差收缩网络提取原始信号的特征,采用卷积网络,并加入注意力机制,提取时频图中的频域信息;将双域特征信息融合,进行故障分类;利用美国凯斯西储大学、东南大学和哈尔滨工业大学的轴承故障数据集进行实验。笔者所提方法在三个数据集上的故障诊断准确率分别达到了99.90%、99.60%和98.25%;在美国凯斯西储大学数据集上,实验加入高斯噪声,噪声强度为-6 dB时,故障诊断准确率可以达到91.30%。DRSN_2DCNN模型能够充分提取双域特征,具有较好的诊断效果以及较强的抗噪性能。