改进深度学习模型的旋转机械智能故障诊断方法

摘要

针对旋转机械设备故障诊断中存在的故障特征提取不充分、监测信号来源单一及信号质量较低等问题，为实现精准诊断，本文提出一种基于多源数据融合与改进卷积注意力模块的智能故障诊断方法。首先采集振动、电流与扭矩3种物理信号，经滤波降噪处理后构建多源输入向量；随后改进传统卷积注意力模块的结构，以增强模型对关键特征的感知与提取能力；进而构建端到端的深度学习故障诊断网络模型，并在Parderborn轴承公开数据集上进行实验验证。结果表明：多物理量信号融合能显著提升诊断准确率，改进后的卷积注意力模块在变噪声工况下的诊断性能始终优于原模块；本文方法最终实现了99.9%的故障诊断准确率，较该数据集上已有最优结果提升了0.1%，验证了所提方法的有效性与先进性。本研究为旋转机械故障诊断提供了新的技术路径，也为相关领域的智能诊断研究提供了有益参考。

关键词

旋转机械 / 深度学习 / 多源数据融合 / 卷积神经网络 / 智能故障诊断 / 卷积注意力模块 / 变噪声工况

基金资助

安徽省重点研发项目—同心科创工程(202423a11020010)