基于MCA与改进ProtoNet的滚动轴承小样本故障诊断方法

摘要

针对工业环境中轴承故障数据稀缺、工况多变且常伴随噪声干扰导致特征提取困难、诊断准确率降低的问题，提出一种基于多维协作注意力(MCA)与改进原型网络(ProtoNet)的滚动轴承小样本故障诊断方法DMCA-ProtoNet。首先，采用离散小波变换(DWT)对轴承二维灰度图数据进行去噪和高频分解；其次，将MCA嵌入残差网络ResNet以提升模型的特征提取能力；最后，对ProtoNet中度量准则进行更新，采用马氏距离代替传统的欧氏距离。实验采用德国帕德博恩大学轴承数据集以及东南大学轴承数据集对模型进行验证，结果表明：在小样本变工况下，模型能够保持较高的诊断准确率，识别率可达到95.94%;在强噪声干扰下本模型具有较好的稳定性与准确率，验证了DMCA-ProtoNet模型在小样本变工况下依然具有良好的泛化能力以及抗噪能力。

关键词

滚动轴承 / 故障诊断 / 离散小波变换 / 原型网络 / 小样本学习 / 注意力机制