典型文献
融合多注意力机制的卷积神经网络轴承故障诊断方法
文献摘要：
针对卷积神经网络学习关键故障特征的能力不足从而影响轴承故障诊断准确率的问题,提出一种融合多注意力机制的卷积神经网络自适应抗噪模型(MACNN).利用通道和时间的复合注意力机制优化学习机制,从不同角度抑制噪声及无关信号分量等干扰信息的影响,并自适应地增强故障特征的响应;引入残差连接,防止网络性能退化.采用多尺度特征提取方法,通过通道注意力机制自适应融合不同尺度下提取的特征.使用分类器进行滚动轴承故障诊断.实验结果表明:与没有实施注意力机制的模型相比,轴承故障诊断准确率平均提升了 22.12％;所提方法在各噪声背景下的故障识别准确率均在98.5％以上,验证了其自适应抗噪能力;在跨载荷实验中,模型故障诊断准确率保持在88％以上,相比其他方法,MACNN的抗噪性能和稳定性更优.
文献关键词：
轴承故障诊断;自适应抗噪;卷积神经网络;注意力机制
中图分类号：
作者姓名：
康涛;段蓉凯;杨磊;薛久涛;廖与禾
作者机构：
西安交通大学现代设计及转子轴承系统教育部重点实验室,710049,西安;西安交通大学陕西省机械产品质量保障与诊断重点实验室,710049,西安
文献出处：
引用格式：
[1]康涛;段蓉凯;杨磊;薛久涛;廖与禾-.融合多注意力机制的卷积神经网络轴承故障诊断方法)[J].西安交通大学学报,2022(12):68-77
A类：
自适应抗噪,MACNN
B类：
多注意力机制,故障诊断方法,神经网络学习,关键故障,故障特征,故障诊断准确率,网络自适应,机制优化,优化学习,学习机制,抑制噪声,残差连接,防止网络,网络性能,性能退化,多尺度特征提取,通道注意力机制,自适应融合,不同尺度,分类器,滚动轴承故障诊断,故障识别,识别准确率,其他方法,抗噪性能
AB值：
0.232941
相似文献
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。
