MHSACAE-CNN在噪声下的电机轴承故障诊断

摘要：

电机的运行情况复杂,实际运行工况下会有大量的噪声,导致其轴承故障诊断精度下降.为了改善这一问题,提出了一种基于多头自注意力机制的一维全卷积自编码网络(One-dimensional Fully Convolutional Autoencod-ing Network Based on Multi-head Self-attention,MHSACAE)与卷积神经网络(Convolutional Neural Network,CNN)结合的轴承故障诊断方法.该方法先采用MHSACAE网络进行降噪,再通过CNN进行故障诊断.其中MHSACAE去噪网络采用无监督训练的方式,充分考虑了实际工况和序列数据内在联系,在实现对噪声的滤除效果的同时,最大限度地保留下了原始的故障信息,使得CNN可以实现在噪声情况下对电机轴承故障的高精度诊断.通过与其他轴承故障诊断方法在噪声情况下进行对比,证明提出的方法具有更好的效果.

关键词：故障诊断、轴承、自注意力、噪声、卷积神经网络

所属期刊栏目：36

分类号：TH165+.3;TH133.33

资助基金：国家自然科学基金61876097

在线出版日期：2023-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1169-1178