Noise and Vibration Control ›› 2024, Vol. 44 ›› Issue (6): 185-190.
Previous Articles Next Articles
Received:
Revised:
Online:
Published:
郑皓文1,汪凯1,程源1, 冯郑雨1, 高力凯1, 沈文学2
摘要: 应对在工业噪声环境下如何提高现有轴承故障诊断方法的鲁棒性能和泛化性能,提出一种卷积自编码器-长短期记忆(Convolutional AutoEncoder-Long Short-Term Memory,CAE-LSTM)并行特征提取模型。该方法使用CAE 编码器冻结的局部空间特征融合长短期记忆-1 维卷积网络(Long Short-Term Memory-1-dimensional Convolutional Neural Network,LSTM-1DCNN)所提取的时序相关性特征完成模型训练,在特征融合过程引入有效通道注意力机制(Efficient Channel Attention,ECA)完成特征的权重分配,实现全局特征信息的充分提取,最终通过Softmax 函数输出轴承的故障诊断结果。在自测和公开的轴承数据集上进行实验验证,其对比实验结果表明:所提出的并行特征提取模型具备优良的轴承故障诊断性能,且具备较好的噪声鲁棒性和泛化能力。
关键词: 故障诊断, 轴承, 并行特征, CAE, LSTM, 特征融合
郑皓文, 汪凯, 程源, 冯郑雨, 高力凯, 沈文学. 基于并行特征提取的轴承故障诊断方法[J]. 噪声与振动控制, 2024, 44(6): 185-190.
0 / Recommend
Add to citation manager EndNote|Ris|BibTeX
URL: https://nvc.sjtu.edu.cn/EN/
https://nvc.sjtu.edu.cn/EN/Y2024/V44/I6/185