基于注意力机制改进残差神经网络的轴承故障诊断方法

摘要：

针对滚动轴承在不同工况环境中故障诊断训练时间长、准确率低和泛化性能弱的问题,提出了基于注意力机制改进残差神经网络的轴承故障诊断方法.为了提高ResNet模型的准确率和泛化性,提出了基于注意力机制的SE-ResNet模型和CBAM-ResNet模型,并在凯斯西储大学数据集上进行了试验,在同工况有训练集的情况下ResNet模型测试的准确率为97.28％,在不同工况下模型直接迁移的准确率为94.14％～96.86％,CBAM-ResNet模型在不同工况下模型直接迁移的准确率为97.14％～98.86％,SE-ResNet模型在不同工况下模型直接迁移的准确率为97.86％～99.71％,两种改进模型的准确率都明显优于原ResNet模型,表明提出的优化模型提高了 ResNet模型的准确率和泛化性.

关键词：深度学习、注意力机制、神经网络、滚动轴承、故障诊断

所属期刊栏目：42

分类号：TH133.33;TH165+.3

资助基金：国家自然科学基金;山东省重点研发计划项目

在线出版日期：2023-09-06（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：82-91