典型文献
基于非降维注意力机制的滚动轴承故障诊断方法
文献摘要：
针对传统轴承故障诊断算法中存在的故障特征提取困难、模型泛化性差以及噪声环境下诊断准确率低等问题,提出一种可移植非降维注意力机制与深度残差神经网络相结合的故障诊断方法.该方法使用非降维注意力机制对残差块生成的特征图重新分配权重,对特征图采用局部而非全局的跨通道通信方式,自适应学习邻近通道的注意力分数,以增强故障轴承的特征识别率.使用凯斯西储大学轴承故障数据集对本文方法进行验证,实验表明,融合非降维注意力机制的残差网络可以准确识别出不同负载下混有噪声的故障轴承样本,在12 dB信噪比噪声情况下的准确率为99.5％,具有较强的抗噪性能和一定的泛化性能.
文献关键词：
故障诊断;残差网络;注意力机制;深度学习
中图分类号：
作者姓名：
刘闯;郝润芳;程永强;闫文恒
作者机构：
太原理工大学 信息与计算机学院,山西 晋中 030600
文献出处：
引用格式：
[1]刘闯;郝润芳;程永强;闫文恒-.基于非降维注意力机制的滚动轴承故障诊断方法)[J].太原理工大学学报,2022(05):948-954
A类：
B类：
注意力机制,滚动轴承故障诊断,故障诊断方法,故障诊断算法,故障特征提取,模型泛化性,噪声环境,诊断准确率,可移植,深度残差神经网络,残差块,特征图,重新分配,分配权重,跨通道,通信方式,自适应学习,特征识别,识别率,凯斯,故障数据,残差网络,准确识别,不同负载,混有,dB,声情,抗噪性能,泛化性能
AB值：
0.373943
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
