基于混合域残差注意力网络的滚动轴承智能故障诊断方法.pdfVIP

高技术通讯2024年第34卷第1期:101-110

doi:10.3772/j.issn.1002-0470.2024.01.011

基于混合域残差注意力网络的滚动轴承智能故障诊断方法①

②③

贾立新陈永毅倪洪杰张丹

(浙江工业大学信息工程学院杭州310023)

摘要机械设备正朝着大型化、精密化和自动化的方向发展,机械系统也因此变得越来

越复杂。考虑到机械系统可能会发生无特征的灾难性故障,因此机械故障的自动检测是

一个巨大的挑战。然而,现有的故障检测方法在对高度复杂的工业系统进行故障类型识

别时,误诊率较高,无法给出准确的故障诊断结果。针对这一问题,本文以滚动轴承这一

机械设备关键部件作为研究对象,提出一种基于混合域残差注意力网络的故障诊断方法,

旨在结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力

机制的关键特征提取能力,提高故障检测性能。实验结果表明,所提出的方法能够准确地

检测轴承故障类型,在准确度指标方面优于其他方法。

关键词故障诊断;滚动轴承;通道注意力机制;空间注意力机制;卷积神经网络

(CNN)

随着工业生产和生活对机械装备功能要求越来多研究人员的关注。

越高,工业装备的内部组件变得越来越复杂,在系统在过去的20年中,研究人员提出了许多与人工

[4]

运行过程中极易发生故障。只有构建安全可靠的工智能技术或传统的机器学习技术相关的新方法,

业装备与系统,才能满足工业生产的需要。滚动轴如使用人工神经网络(artificialneuralnetwork,

[5]

承是旋转机械的重要组成部分,其健康状况对工业ANN)进行滚动轴承故障诊断、基于主成分分析

机械的实用性和可用性有重大影响。同时,轴承也(principalcomponentanalysis,PCA)的机器缺陷分类

[6]

是旋转机械中最脆弱的部件之一,轴承故障是导致特征选择方案、基于支持向量机(supportvector

[1][7]

机械故障的主要原因。轴承故障可能会导致机machine,SVM)的机器状态监测和故障诊断方法

[8]

器的严重损坏,进而迫使重要机械的不可用,导致经和基于神经网络和SVM的轴承缺陷诊断方法。近

济损失和严重的安全隐患。因此,滚动轴承的早期年来,也有研究者将机器学习算法与遗传算法相结

[9]

故障诊断是保证机器不间断运行的关键。为了管理合,实现对轴承的智能故障诊断。例