结合小波变换与注意力机制的轴承故障诊断

Abstract

针对传统一维轴承振动信号特征表达效果较弱、轴承故障数据时频特征提取困难及其诊断精度较低等问题，提出一种基于小波变换与注意力机制网络（wavelet transform and attention mechanism net，简称WTA‑Net）的轻量化轴承故障诊断方法。首先，通过小波变换将滚动轴承的一维振动时序信号转化为二维时频图；其次，针对网络训练时梯度消失的问题，提出改进的轻量化骨干网络R‑ResNet18提取二维时频图特征；然后，在网络不同尺度的特征层嵌入时空注意力机制（convolutional block attention module，简称CBAM），使网络更加关注二维时频图的关键信息特征；最后，采用标签平滑的交叉熵损失函数来对网络模型进行训练。实验结果表明，所提出方法能够精准地辨识不同故障类型和故障严重程度，在凯斯西储大学轴承数据集10个分类任务中可达到99.9%的分类精度，模型应用在辛辛那提大学智能维护系统（intelligent maintenance systems，简称IMS）轴承数据集上的分类精度达到了99.9%，提取的特征信息区分度高，具有良好的泛化性和鲁棒性。