文献类型：期刊文章

作　　者：王磊[1] 孙志成[1] 王磊[2] 陈端兵[2,3] 蒋家玮[2]

WANG Lei;SUN Zhicheng;WANG Lei;CHEN Duanbing;JIANG Jiawei(Unit 63861 of PLA,Jilin 137001;Chengdu Union Big Data Tech.Inc.,Chengdu 610041;Big Data Research Center,University of Electronic Science and Technology of China,Chengdu 611731)

机构地区：[1]中国人民解放军63861部队,吉林137001 [2]成都数之联科技股份有限公司,成都610041 [3]电子科技大学大数据研究中心,成都611731

出　　处：《电子科技大学学报》

基　　金：国家自然科学基金(61673085)。

年　　份：2022

卷　　号：51

期　　号：6

起止页码：921-927

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。

关 键 词：注意力机制  残差收缩模块  故障诊断 长短时记忆网络  信号处理  

分 类 号：TP301]