基于多尺度注意力倒残差网络的轴承故障诊断

摘要

传统应用于滚动轴承故障识别的深度学习模型诊断精度不高，且训练时间长，为了克服上述问题，本文提出多尺度注意力倒残差网络模型(MARCNN)。首先，该模型构造多尺度特征提取模块，采用多尺度并行卷积获取原始信号的不同层次特征，自适应提取故障特征信息；然后，利用特征图膨胀标准卷积构建浅层卷积模块，提高浅层网络学习能力；最后，构造SE-Mobile模块挖掘深层故障特征并缩减模型参数量。该模型融合注意力机制，整合不同维度特征权重，提升模型故障分类能力。采用凯斯西储大学轴承数据集验证该模型性能，实验结果表明，在无噪音、高斯噪声以及变负载工况下准确率分别达到99.98%、98.41%及94.98%,说明该模型具有较好的抗噪能力和泛化性能。

关键词

注意力机制 / 倒残差 / 故障诊断 / 滚动轴承 / 卷积神经网络