基于时频融合的改进CNN模型增强轴承故障跨工况诊断性能

摘要

为提高轴承故障诊断模型的跨工况诊断效果，本文提出了一种基于快速傅里叶变换和变分模态分解并与基于通道注意力机制改进的卷积神经网络相结合的轴承故障诊断方法。将原始振动信号分别进行快速傅里叶变换以及变分模态分解处理后再进行特征堆叠，然后将处理后的数据通过基于通道注意力机制改进的卷积神经网络进行训练完成对轴承故障诊断的分类。结果表明：与其他诊断方法相比，所提方法的识别精度在不同工况条件下准确率更高，达到了98.40%；在轴承齿轮混合故障中诊断率达到了67.32%；在噪声干扰情况下，诊断准确率达到了89.93%。

关键词

故障诊断 / 快速傅里叶变换 / 变分模态分解 / 注意力机制 / 卷积神经网络