基于多尺度注意力倒残差网络的轴承故障诊断

传统应用于滚动轴承故障识别的深度学习模型诊断精度不高,且训练时间长,为了克服上述问题,本文提出多尺度注意力倒残差网络模型(MARCNN)。首先,该模型构造多尺度特征提取模块,采用多尺度并行卷积获取原始信号的不同层次特征,自适应提取故障特征信息;然后,利用特征图膨胀标准卷积构建浅层卷积模块,提高浅层网络学习能力;最后,构造SE-Mobile模块挖掘深层故障特征并缩减模型参数量。该模型融合注意力机制,整合不同维度特征权重,提升模型故障分类能力。采用凯斯西储大学轴承数据集验证该模型性能,实验结果表明,在无噪音、高斯噪声以及变负载工况下准确率分别达到99.98%、98.41%及94.98%,说明该模型具有较好的抗噪能力和泛化性能。