-
题名基于SimAM注意力机制的轴承故障迁移诊断模型
被引量：5
- 1
-
-
作者
包从望
朱广勇
邹旺
郭灏
-
机构
六盘水师范学院矿业与机械工程学院
中国矿业大学机电工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第5期862-869,893,共9页
-
基金
贵州省教育厅基金资助项目(黔教合KY字〔2020〕117)
六盘水市科技计划项目(52020-2022-PT-02,52020-2019-05-12)
六盘水师范学院基金资助项目(LPSSYylzy2205)。
-
文摘
针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明:基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。
-
关键词
轴承故障诊断
迁移学习
无参数注意力机制
自适应批量归一化
参数化修正线性单元
均方对数误差
卷积神经网络
-
Keywords
bearing fault diagnosis
transfer learning
simple parameter-free attention module(SimAM)
adaptive batch normalization(AdaBN)
parametric rectified linear unit(PReLU)
mean squared logarithmic error(MSLE)
convolutional neural network
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
