[发明专利]一种基于ATT-CNN的变工况下滚动轴承故障识别方法

摘要

一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。为了解决现有的变工况下滚动轴承故障识别方法针对复杂分类问题其泛化能力受到一定制约的问题。首先，通过卷积神经网络(CNN)将振动数据映射到非线性空间域，并利用其对输入信号的微小位移、缩放及其他扭曲形式具有不变性的特点，自适应提取变工况下滚动轴承故障特征；其次，提出将注意力机制(ATT)思想融入CNN结构中，进一步提高变工况下轴承振动特征的敏感性；同时通过数据增强方法获得更加丰富多样的训练样本，使得网络得到更充分地学习，提高了鲁棒性。所提出的基于注意力机制CNN(ATT‑CNN)故障诊断模型可实现变工况下的滚动轴承多状态识别与分类，并与其他方法比较，可获得更高的准确率。

主权项

1.一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，其特征在于，所述方法的实现过程为：步骤一、数据增强：对含有多种工况下的滚动轴承原始振动信号采取重叠分割的方法进行样本划分以获取表现形式更加多样的振动数据并制作数据集，将增强后的数据集进行训练样本和测试样本的划分；步骤二、训练阶段：训练样本采取单工况或多工况数据形式，在CNN的结构中引入注意力机制，为不同的特征映射赋予权重，从而获得改进的CNN，即获得注意力机制CNN模型结构；对改进的CNN进行网络参数初始化，通过逐层的参数信息传递得到输出值，通过目标损失函数计算实际输出与目标输出的偏差，利用反向传播误差调整网络权值及偏置，当网络迭代次数达到预设值时中止训练，得到ATT‑CNN滚动轴承多状态识别模型；步骤三、测试阶段：采用不同于训练阶段工况下的数据形式，对步骤2)中已训练好的ATT‑CNN滚动轴承多状态故障识别模型进行测试，得到变工况下的滚动轴承故障诊断结果。