基于SWT与改进卷积神经网络的轴承故障诊断OACSTPCD
Bearing fault diagnosis based on SWT and improved convolutional neural network
针对传统轴承故障诊断依赖专家经验且存在时频特征提取效果不佳,导致故障诊断效率和精度较低的问题,提出一种基于同步压缩小波变换(SWT)与改进卷积神经网络(CNN)的轴承故障诊断模型(SICNN).首先,将一维的非平稳轴承振动信号通过SWT转换为高频率表达的二维时频图像,作为卷积神经网络的输入;然后,引入SRM对提取的特征进行风格池化与融合,调整卷积通道合适的特征权重,提高重要特征的关注度进而提高网络的表征能力;最后,通过Softmax层输出故障诊断…查看全部>>
In allusion to the issue of traditional bearing fault diagnosis relying on expert experience and poor time-frequency feature extraction,resulting in low efficiency and accuracy,a bearing fault diagnosis model(SICNN)based on synchronous squeezed wavelet transform(SWT)and improved convolutional neural network(CNN)is proposed.The one-dimensional non-stationary vibration signal is converted into a high-frequency two-dimensional time-frequency map through SWT,whi…查看全部>>
龚俊;张月义;陈思戢;刘靖楠
中国计量大学 经济与管理学院, 浙江 杭州 310018中国计量大学 经济与管理学院, 浙江 杭州 310018中国计量大学 经济与管理学院, 浙江 杭州 310018中国计量大学 经济与管理学院, 浙江 杭州 310018
电子信息工程
故障诊断滚动轴承同步压缩小波变换卷积神经网络通道注意力模块注意力机制
fault diagnosisrolling bearingsynchronous squeezed wavelet transformconvolutional neural networkchannel attention moduleattention mechanism
《现代电子技术》 2024 (6)
68-74,7
国家社会科学基金项目(18BJY033)
评论