来源：期刊VIP网 时间：
作者：杜轻;李峰;
单位：濮阳职业技术学院数学与信息工程学院;河南理工大学计算机科学与技术学院;
摘要：机械传动领域离不开齿轮箱，其故障诊断的精度直接影响到传动系统的工作效率。在分析卷积神经网络空间和时间关系的基础上，设计了一种多数据长短期记忆网络（Bi-LSTM）特征融合齿轮箱故障诊断方法，并引入交叉融合注意力（CBAM）对像素特征自动选取和分布状态调节，以融合特征增强故障特征表达的鲁棒性。性能测试结果表明：相比较其它方法，所提方法表现出来很好的准确率，在时效和预测性能方面获得显著提高。单一工况下，所提方法获得的识别率为94.26%，正确率94.12%，召回率94.11%,F1为94.93%；复杂工况下，采用所提算法达到了92.61%的预测识别率、正确率91.75%、召回率90.91%、F1为90.91%，具有很好的综合效果。通过消融实验可以获得97.41%识别率、96.85%正确率、96.07%召回率和96.12%的F1，表明所提方法具备很高的可行性。
关键词：齿轮箱;;故障诊断;;特征融合;;交叉融合注意力
基金资助：河南省高等学校重点科研项目(23B510012)
