来源：期刊VIP网 时间：
作者：王立佳;黄国勇;
单位：昆明理工大学信息工程与自动化学院;昆明理工大学民航与航空学院;
摘要：针对柴油机气门早期故障特征不明显以及故障样本数量不足导致故障诊断识别精度低的问题，提出在小样本下基于马尔可夫变迁场(Markov transition field, MTF)和融合卷积注意力机制模块并改进嵌入网络的高斯原型网络(Convolutional block attention module-improved gaussian prototype network, CBAM-IGPN)的柴油机气门间隙故障诊断研究。首先，根据柴油机缸盖振动信号特性，将缸盖的一维振动信号通过MTF编码成二维特征图。其次，通过改进GPN中的嵌入网络，将初始嵌入网络(Convolutional neural networks, CNN)进行改进为深度卷积神经网络(Deep convolutional neural networks, DCNN)提高模型对特征图深层信息的挖掘，在DCNN的卷积层中加入CBAM增强模型对重要区域的注意力。最后，将编码后的特征图输入到CBAM-IGPN中训练并进行测试得到分类结果。结果表明，该文所提方法在小样本条件下对柴油机气门故障诊断精度更高。
关键词：柴油机;;故障诊断;;马尔可夫变迁场;;高斯原型网络;;小样本
