基于MCNN-BiGRU-Attention的轴承故障诊断
传统的故障诊断方法在对轴承故障进行判定时,存在特征提取不充分,时序特性运用不完全且计算较为复杂的问题.对于此问题,本文提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network,MCNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和注意力机制(attention)的组合诊断方法.该方法首先使用MCNN对信号数据进行多尺度特征提取,在空间层面上,实现了对特征的进一步提炼.其次使用了 BiGRU网络,在时间层面上,从正反两个方向获取时序关系.接下来引入注意力机制,忽略一些与结果不相关的信息并且降低信息丢失的风险以提高精度,在经过全连接层创建映射后,最后通过Softmax分类方法完成轴承故障诊断.本文通过实验,与LSTM模型、GRU模型、SVM模型、CNN-BiGRU等模型进行对比,实验结果表明,本文提出的模型相比以往提出的模型准确率更高,单一工况下的故障诊断准确率达到了 98.1%,多工况条件下平均准确率达到了 97.8%.
轴承、故障诊断、多尺度卷积、注意力机制、双向门控循环单元
32
TP391;TP183;TM715
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共7页
125-131