摘要
针对一般滚动轴承智能诊断过程中特征自适应提取能力不足及模型训练困难的问题,提出了一种卷积核注意力机制与残差网络相结合的故障诊断模型(CKAM-Resnet),采用一维选择性核卷积(Select Kernel Convolution,SK Convolution)层替代残差网络中的普通卷积层,使模型可以根据输入的振动信号的不同,自适应地调整选择性核卷积层中不同分支的卷积核输出的特征图通道权重,达到了自动调节感受野的效果,增强了模型在恒定负载下的特征自适应提取能力.并通过实验验证了该方法在恒定负载下故障诊断的平均准确率达到了 99.81％,优于其他故障诊断方法.另外,采用t-SNE技术将模型关键层输出的特征降维并聚类可视化,评估了模型的表达能力,实验验证了该模型结构对故障提取的有效性.
基金项目
河南省产学研重点支持项目(172107000008)
NETL
NSTL
维普
万方数据