针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比(signal-to-noise ratio,简称SNR)低的特点,提出了一种利用注意力循环机制(attention recurrent,简称AR)构建数字胶囊并与胶囊网络(capsule network,简称Caps)相融合的微弱故障诊断模型.首先,在构建初级胶囊时引入双向长短时记忆网络(bidirectional long short time memory neural network,简称Bi-LSTM),对时频图中的时序特征进行提取,并建立胶囊间的非线性关联;其次,引入注意力循环机制构建数字胶囊,提高时频图中不同时间和频带的能量强度变化的影响力;然后,通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合,实现特征的多样提取;最后,利用softmax分类器将融合特征映射到输出层,实现高噪声环境下的滚动轴承故障诊断.结果表明,该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度,并能够有效减小过拟合问题.使用不同负载下的数据做测试集验证了该模型有较强的泛化能力.

智能故障诊断;胶囊网络;注意力机制;滚动轴承

中国民航大学航空工程学院 天津,300300

[1]瞿红春;朱伟华;高鹏宇;王超;周大鹏;丁凯-.基于注意力循环胶囊网络的滚动轴承故障诊断)[J].振动、测试与诊断,2022(06):1108-1114

胶囊网络,滚动轴承故障诊断,振动信号,signal,noise,ratio,SNR,循环机制,attention,recurrent,数字胶囊,capsule,network,Caps,微弱故障,故障诊断模型,建初,双向长短时记忆网络,bidirectional,long,short,memory,neural,Bi,时频图,时序特征,非线性关联,机制构建,频带,强度变化,动态路由,路由机制,自适应融合,softmax,分类器,融合特征,特征映射,射到,出层,噪声环境,小样本,低信噪比,弱故障信号,过拟合,不同负载,测试集,泛化能力,智能故障诊断,注意力机制

0.419581