10.13433/j.cnki.1003-8728.20220146
多尺度特征融合与改进ResNet结合的齿轮箱故障诊断研究
深度残差网络使用跳跃连接,通过直接将输入信息绕道传到输出,能够搭建更深的层数来改善神经网络的训练效果;但是在复杂工况下,冗余噪声的影响会使残差网络的诊断性能大幅下降.考虑到软阈值的降噪性能与注意力机制的自适应筛选特征性能,所以在残差模块中嵌入一组自适应阈值块,利用注意力机制根据重要程度不同来对特征进行加权,自动地给各个样本设置不同的阈值来消除随机噪声对故障诊断的干扰.考虑到齿轮箱故障信号时变性较强,而CNN模型学习到的特征具有一定的尺度不变性,为此提出多尺度卷积核与特征融合模型对网络模型进行改进,明显改善了特征丢失的现象.最后实验表明在噪声情况下,改进模型的准确率显著提升;且在加入多尺度特征融合之后网络所需迭代次数大幅度缩减,同时改进后网络的故障诊断准确率进一步提高了 2个百分点,学习效率显著提高40%.
故障诊断、残差网络、注意力机制、多尺度特征融合
42
TH165+.3
河北省引进留学人员资助项目CL201721
2023-11-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
1699-1704