数字化与智能化
张宇剑, 邓艾东, 汤清清, 孔云飞, 卞文彬, 王敏
针对传统深度神经网络在风电机组滚动轴承变工况运行条件下特征学习能力不足、诊断效果不佳的问题,提出了一种通道注意力机制(Channel Attention, CA)与残差胶囊网络(Capsule Residual Network, CPRN)组合的故障诊断模型CA-CRPN,以实现变工况下滚动轴承故障的高性能诊断。首先,对振动信号进行连续小波变换生成对应的时频图,经矩阵化重构后作为训练样本,经过通道注意力模块为不同特征分配权重,削弱冗余特征对识别结果的影响,然后输入由卷积层、残差块和胶囊层堆叠搭建的CPRN中,并采取权值共享的仿射变换矩阵替换全连接胶囊层以减少参数量、提高训练速度,最终输出诊断结果。分别用CWRU轴承数据集与实验台模拟数据进行实验。结果表明:CA-CPRN模型在变工况下的平均诊断准确率分别达到97.63%和98.23%,相比其他模型具有更好的泛化能力;在噪声情况下,2个数据集上的诊断准确率均优于其他模型,平均准确率分别达到99.09%和96.32%,证明了模型在抗噪方面的优越性。