基于时频融合多级注意力机制的双通道CNN轴承故障诊断模型

摘要

为进一步提高轴承故障诊断准确率，提出了一种基于快速傅里叶变换(fast fourier transform, FFT)和变分模态分解(variational mode decomposition, VMD),并融合多级注意力机制的双通道卷积神经网络(convolutional neural networks, CNN)模型用于滚动轴承故障诊断。首先，将一维故障信号经过FFT和VMD处理后进行堆叠，作为双通道CNN的输入；其次，将预处理后的数据分别通过基于通道注意力和全局注意力的二维CNN提取重要特征；再次，利用交叉注意力机制将两个通道提取的特征进行融合；最后，经过全连接层和softmax分类器进行故障诊断。试验结果表明：采用该方法在美国凯斯西储大学10类轴承故障数据集的平均准确率达到100%,其诊断精度优于常见的故障预测模型和单通道模型，有利于促进轴承的智能故障诊断研究和实际应用。

关键词

故障诊断 / 时频融合 / 注意力机制 / 双通道卷积神经网络