自适应注意力LSTM-ResNet下的滚动轴承故障诊断

作     者：姜健 魏小源 JIANG Jian;WEI Xiaoyuan

作者机构：绵阳职业技术学院四川绵阳621000 兰州理工大学电气工程与信息工程学院甘肃兰州730050 甘肃省工业过程先进控制重点实验室甘肃兰州730050 

基　　金：国家自然科学基金青年科学基金项目(62101228) 甘肃省科技重点研发项目(20YF3GA018) 

出 版 物：《制造技术与机床》 (Manufacturing Technology & Machine Tool)

年 卷 期：2024年第6期

页      码：74-81页

摘      要：滚动轴承信号具有复杂性和非线性的特点,对特征提取和故障分类带来挑战。为解决上述问题,文章提出一种自适应注意力LSTM-Resnet(long short-term memory residual network)下的滚动轴承故障诊断方法。首先设计双向LSTM组特征提取模型,获取复杂运行条件下的滚动轴承特征;然后,提出自适应注意力LSTM-ResNet完成特征学习,并自适应调整模型中关键特征的权重;最后,采用全局平均池化(global average pooling,GAP)方法结合Softmax模型缓解模型过拟合并完成故障分类。在数据集中完成滚动轴承故障分类,实验结果表明:文章方法的滚动轴承故障诊断准确率相对于SVD-ResNet方法和宽卷积模型更高,并且能在标记样本数量较少和噪声环境下均达到较高的检测准确率,具有更高的准确性和更强的鲁棒性。

主 题 词：机械设备 故障诊断 LSTM 权重 Softmax GAP 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 080201[080201] 

D　O　I：10.19287/j.mtmt.1005-2402.2024.06.011

馆 藏 号：203128268...