基于ISAM-Drsnet的故障识别模型及其应用

针对滚动轴承故障诊断时网络模型在复杂环境下有效特征提取困难,无法充分挖掘具有周期性的滚动轴承故障数据时序特征的问题,提出了一种基于改进条纹注意力机制与深度残差收缩网络的滚动轴承故障诊断模型(ISAM-Drsnet)。首先,采用递归图(RP)编码方式生成了二维图像,使用ISAM和改进软阈值算法加强了Drsnet;然后,采取重叠采样的方式对数据集进行了增强处理,并将数据输入到ISAM-Drsnet中,实现了对不同故障类型的识别目的;最后,利用凯斯西储大学滚动轴承数据集进行了实验,选取了最佳数据截取长度,研究了改进软阈值、数据集规模、噪声对模型的影响;同时,将该模型与支持向量机(SVM)、反向传播神经网络(BPNN)、卷积神经网络(CNN)等进行了对比分析,并采用混淆矩阵等可视化方法对该模型进行了性能评估。实验结果表明:该模型(方法)的故障诊断性能明显优于SVM、BPNN、CNN等模型,其故障诊断精度可达99.79%,相比原始的Drsnet上升了1.60%;且在数据集规模有限和信号添加噪声的情况下,模型仍具有较高的故障诊断精度。研究结果表明:该轴承故障诊断模型不仅具有优秀的诊断性能,同时还具有较强的鲁棒性。