高噪声下改进卷积神经网络轴承故障诊断

【摘要】 针对强噪声背景下滚动轴承振动信号特征不平稳，导致诊断算法的泛化性变差，抗噪能力弱，难以实现有效的故障诊断的问题，提出一种改进卷积神经网络滚动轴承故障诊断方法。该方法在深度卷积神经网络的基础上，引入门控循环单元（GRU）解决神经网络中梯度爆炸问题，引入注意力机制（Attention）提高网络自适应能力，降低超参数选择的难度，采用SVM分类器代替深度卷积神经网络的分类层，提高分类的准确度。为了验证所提方法在强噪声环境下的鲁棒性和泛化性，利用西储大学轴承数据集进行验证。实验结果表明，所提算法的分类准确度的最大高于WDCNN算法24.7%，证明了所提方法在高噪声背景下具有较好的抗噪性和泛化性。更多还原