所属单位：

机电工程学院

发表刊物：

计算机集成制造系统

关键字：

自校准卷积；分散注意力机制；格拉姆角场；故障诊断

摘要：

在实际的工程环境中，滚动轴承通常在强噪声、变负载的条件下工作，针对传统深度学习模型在滚动轴承的故障诊断领域中面临着抗噪性、模型泛化性、鲁棒性差等问题，提出了一种深度残差分散自校准卷积网络（SC-ResNeSt）和频域格拉姆角场（Gram angular field，GAF)的滚动轴承故障诊断新方法。首先，利用GAF编码将振动信号转换为二维图像，并进行二维离散傅里叶变换（2D-DFT)，将该图像从空间域转换到频域；其次，由于传统的卷积层缺少动态变化的感受野来提取更具代表性的特征，所以在分散注意力网络(Split-Attention Networks，ResNeSt)的基础上引入了自校准卷积模块(Self-Calibrated Convolutions)，提出了一种新的网络模型，即 SC-ResNeSt；最后，以频域空间中的GAF作为SC-ResNeSt的输入，故障特征提取完成后，由Softmax分类器完成对故障特征的分类。为验证模型性能，采用美国凯斯西储大学（Case Western Reserve University，CWRU)轴承数据集和德国帕博德恩大学（Paderborn University, PU)轴承数据集进行测试，实验结果表明本文在两种数据集中都取得较高的故障识别准确率，证明了所提方法具有良好的抗噪性、泛化性以及实用性。

第一作者：

史丽晨,王海涛

论文类型：

期刊论文

通讯作者：

郭一凡

卷号：

22页

ISSN号：

1006-5911

是否译文：

否

CN号：

11-5946/TP

发表时间：

2023-02-08