针对滚动轴承在小样本条件下诊断准确率低和泛化性弱的问题,提出了一种基于注意力特征融合的深度稳定学习(Attention Feature Fusion and Deep Stable Learning,AFF-Stablenet)模型的故障诊断方法。该方法首先使用经验模态分解(Empirica...针对滚动轴承在小样本条件下诊断准确率低和泛化性弱的问题,提出了一种基于注意力特征融合的深度稳定学习(Attention Feature Fusion and Deep Stable Learning,AFF-Stablenet)模型的故障诊断方法。该方法首先使用经验模态分解(Empirical Mode Decompositim,EMD)将样本分解成多段频率的子信号,求取子信号与原始信号的互相关系数,选择系数较高的前三阶子信号;利用连续小波变换(Continuws Narelet Transorm,CWT)将子信号转换为时频图表示,通过注意力特征融合的方式将这些时频图特征进行融合;最后将融合特征输入到深度稳定学习(Stablenet)模型进行训练与预测。为验证模型的有效性,采用凯斯西储大学轴承数据集进行各组对比试验,都灵理工大学轴承数据集进行验证。实验结果表明,AFF-Stablenet模型在小样本情况下的泛化性和鲁棒性均强于其他对比模型,证明了模型的优越性。展开更多
