|
|
1.
基于SENet-MultiHead-BiTCN的轴承故障诊断方法
崔吉强, , 高军伟, , 吴文凯,
噪声与振动控制
2025, 45 (6):
190-195.
针对电动机滚动轴承故障诊断需要提取大量特征，且单方向特征提取不充分导致故障识别准确率低的问题，提出一种双注意力机制和双向时间卷积网络的轴承故障诊断模型。首先，对振动信号进行预处理；然后，将处理好的信号输入压缩激励网络选取对故障诊断有效的特征，减小模型运算量；再将选取的特征输入双向时间卷积网络从正反两个方向提取振动信号在时间序列上的依赖关系；再使用多头注意力机制对提取出的特征重新分配权重；最后，将特征送入全连接层进行故障分类，并使用江南大学轴承故障数据集验证该方法的有效性。实验结果表明，基于SENet-MultiHead-BiTCN的轴承故障诊断方法在数据集上的准确率为99.49 %，满足故障诊断的要求，为轴承故障诊断提供一种新方法。
相关文章 |
多维度评价
|
|
