改进MSCNN-ECA的轴承故障诊断方法研究

摘要

提出一种基于注意力机制的卷积神经网络轴承故障诊断方法：首先，对滚动轴承数据进行截取，通过连续小波变换生成二维图像数据；然后，利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对输入数据进行特征提取，期间带有残差结构的高效卷积模块将最大限度地保留有效特征信息，提取数据再经过通道注意力模块(efficient channel attention, ECA)进行特征筛选；最后，经过全连接层特征映射后进行故障类别预测。选用凯斯西储大学数据集对模型结果进行验证，并与CNN-LSTM模型、ResNet模型以及LeNet模型等进行对比，所提方法耗费时间短，诊断精度最高。在单负载情况下能够取得100%的诊断精度，在多负载情况下准确率仍高达99.46%,优于其余先进算法。另外，采用江南大学轴承数据进行泛化性验证，所提方法具有良好的迁移效果。

关键词

卷积神经网络 / 轴承 / 注意力机制 / 故障诊断