改进稀疏注意力和Autogram的滚动轴承微弱特征提取OA北大核心

滚动轴承故障信息在分析域中呈现稀疏分布的特点,针对复杂无关信息会严重干扰声发射信号特征提取的问题,提出一种改进稀疏注意力机制结合Autogram的滚动轴承微弱特征提取方法。对声发射时域信号进行平方包络,利用基于改进深度稀疏注意力机制的多尺度卷积神经网络(Convolutional neural networks,CNN),挖掘关键频段信息;将关键频段作为滤波依据进行滤波处理,获取注意力增强信号;进一步,考虑到滚动轴承缺陷引起的声发射信号具有强周期性与脉冲性,引入Autogram方法,利用平方包络的自相关峭度作为筛选指标优选解调频带,以解决谱峭度等方法在低信噪比及非高斯噪声干扰情况下特征提取效果不佳的问题;最后,计算最优解调子信号的平方包络谱,实现滚动轴承微弱故障特征提取。基于滚动轴承内圈、外圈故障实测信号进行验证,并与Kurtogram、Autogram方法进行对比,证明所提方法可实现滚动轴承声发射信号微弱特征增强与故障特征提取。