典型文献
一种结合改进Inception V2模块和CBAM的轴承故障诊断方法
文献摘要：
传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱.针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力.将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果.实验结果表明:该方法可以建立"浅层"卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75％的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中.
文献关键词：
故障诊断;滚动轴承;卷积神经网络;CBAM注意力机制;故障特征
中图分类号：
作者姓名：
姚齐水;别帅帅;余江鸿;陈前旭
作者机构：
湖南工业大学机械工程学院,湖南 株洲 412007
文献出处：
引用格式：
[1]姚齐水;别帅帅;余江鸿;陈前旭-.一种结合改进Inception V2模块和CBAM的轴承故障诊断方法)[J].振动工程学报,2022(04):949-957
A类：
B类：
Inception,V2,CBAM,轴承故障诊断,故障诊断方法,法网,模型泛化性,工业大数据,大数据背景下,注意力机制,分支网,网络表达,表达能力,轴承振动,振动信号,小波变换,时频图,输入特征,自适应特征提取,跨通道,信息组织,双重注意力,注意力权重,增强相,相关度,特征数据,全局平均池化层,诊断结果,卷积神经网络模型,收敛速度,不同负载,噪声条件,滚动轴承,故障特征
AB值：
0.335111
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
