改进残差网络和迁移学习的齿轮箱故障诊断
针对齿轮箱故障诊断问题,提出一种基于多尺度特征提取与融合混合注意力机制的残差网络模型.该模型直接对原始振动信号进行特征提取,通过增加混合注意力机制来增加网络深度,提取关键信息,提高网络稳定性与故障识别准确率;串联首层多尺度特征提取模块,增加网络宽度,提取不同频率特征值的同时避免了梯度爆炸问题,最终故障诊断精度达到99.9%;通过噪声实验,验证网络具有较强鲁棒性.网络使用迁移学习的方式,解决了实际工业中数据量不足的问题,并验证了网络的泛化能力.所提网络具有公开性与实用性.
残差网络、迁移学习、齿轮箱、故障诊断、混合注意力机制
21
TP277;TH132.41(自动化技术及设备)
国家自然科学基金11872256
2023-08-02(万方平台首次上网日期,不代表论文的发表时间)
共6页
36-40,56