采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

摘要

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接，而未考虑不同尺度的特征差异的问题，提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征，合并为初始特征；构建多尺度自适应选择卷积块，提取不同尺度的特征，利用改进的注意力机制自适应调整不同尺度的特征权重，加入残差连接，防止模型退化；通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明：在模型改进实验中，与没有改进注意力机制的模型相比，所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中，所提模型的轴承故障诊断准确率均高于93%。

关键词

轴承故障诊断 / 卷积神经网络 / 自适应融合 / 注意力机制 / 多尺度特征

基金资助

国家自然科学基金资助项目(61966023); 甘肃省高等学校创新基金资助项目(2021A-028); 甘肃省科技计划-自然科学基金重点资助项目(22JR5RA226)