基于改进SE-ResNet-BiLSTM的航空发动机中介轴承故障诊断OA北大核心CSTPCD

针对现阶段航空发动机中介轴承振动信号易受噪声干扰,故障特征难提取导致的故障诊断精度较低的问题,提出一种基于改进残差注意力网络和双向长短期记忆神经网络(BiLSTM)的航空发动机中介轴承故障诊断方法。首先,将原始振动信号作为模型输入,利用一维宽卷积从原始数据中提取局部空间特征并抑制高频噪声;然后,使用结合改进通道注意力的残差网络增强模型对重要特征的关注,减少模型运算量,将处理后的特征输入到BiLSTM中,进一步提取时序相关性特征;最后,将特征输入到Softmax层进行故障分类。使用哈工大航空发动机中介轴承数据集进行实验验证,结果表明,即使在信噪比为-4 dB的高噪声环境,所提模型仍能保持98.64%的诊断精度,优于其他对比模型,证明该模型具有更好的特征提取能力和抗噪性。