仪器仪表学报

作者：雷春丽，夏奔锋，薛林林，焦孟萱，史佳硕

单位：雷春丽,1. 兰州理工大学机电工程学院，2. 兰州理工大学数字制造技术与应用省部 共建教育部重点实验室,,夏奔锋,1. 兰州理工大学机电工程学院，2. 兰州理工大学数字制造技术与应用省部 共建教育部重点实验室,,薛林林,1. 兰州理工大学机电工程学院，2. 兰州理工大学数字制造技术与应用省部 共建教育部重点实验室,,焦孟萱,1. 兰州理工大学机电工程学院，2. 兰州理工大学数字制造技术与应用省部 共建教育部重点实验室,,史佳硕,1. 兰州理工大学机电工程学院，2. 兰州理工大学数字制造技术与应用省部 共建教育部重点实验室,

关键词：故障识别;小样本;自校正卷积;通道自注意力机制;滚动轴承

基金：国家自然科学基金（51465035）、甘肃省自然科学基金（20JR5RA466）项目资助

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SCCNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。

来源：2022年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2022年第9期