文献类型：期刊文章

作　　者：李秋婷[1] 王秀青[1,3] 解飞[1] 杨云鹏[1] 杜文霞[2]

LI Qiuting;WANG Xiuqing;XIE Fei;YANG Yunpeng;DU Wenxia(College of Computer and Cyber Security,Hebei Normal University,Shijiazhuang 050024,China;College of China Combustion Engineering,Hebei Normal University,Shijiazhuang 050024,China;Hebei Provincial Key Laboratory of Network&Information Security,Shijiazhuang 050024,China)

机构地区：[1]河北师范大学计算机与网络空间安全学院,石家庄050024 [2]河北师范大学中燃工学院,石家庄050024 [3]河北省网络与信息安全重点实验室,石家庄050024

出　　处：《轴承》

基　　金：国家自然科学基金面上基金资助项目(61673160);河北省自然科学基金资助项目(F2018205102);河北省高等学校科学技术研究重点项目(ZD2021063);河北师范大学重点基金(L2019Z11);河北师范大学2021年研究生创新项目(CXZZSS2022071)。

年　　份：2023

期　　号：10

起止页码：84-92

语　　种：中文

收录情况：BDHX、BDHX2020、SCOPUS、ZGKJHX、核心刊

摘　　要：在深度学习和注意力机制的基础上提出了基于卷积注意力模块(CBAM)和残差网络(ResNet)的滚动轴承故障诊断CAR模型和基于Transformer(多头注意力)的滚动轴承故障诊断模型。CAR模型引入注意力机制提高特征选取能力,引入残差网络有效防止梯度消失或爆炸;Transformer模型则使用多头注意力完成故障信号的有效特征提取。将CAR和Transformer模型用于不同采样频率、不同转速下的滚动轴承故障诊断,2个模型在CWRU轴承数据集上的最高诊断准确率分别达99.91%和99.85%,在江南大学轴承数据集上的最高诊断准确率分别达98.71%和99.85%,均优于现有研究结果,而且CAR以及Transformer滚动轴承故障诊断模型的结构简单、易于实施,可满足实际应用中高故障诊断准确率的需求。

关 键 词：滚动轴承 故障诊断 注意力机制  残差网络  TRANSFORMER 深度学习  

分 类 号：TH133.33] TP307]