基于Attention-CGDNN模型的滚动轴承故障诊断方法
Fault Diagnosis Method for Rolling Bearings Based on Attention-CGDNN Model作者机构:新疆大学电力系统及发电设备控制和仿真国家重点实验室风光储分室乌鲁木齐830047 中船重工海为(新疆)新能源有限公司乌鲁木齐830002
出 版 物:《轴承》 (Bearing)
年 卷 期:2023年第4期
页 面:80-86页
学科分类:08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
主 题:滚动轴承 故障诊断 深度学习 神经网络 注意力机制 特征提取
摘 要:针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。