来源：期刊VIP网 时间：
作者：龚俊;张月义;陈思戢;刘靖楠;
单位：中国计量大学经济与管理学院;
摘要：针对传统轴承故障诊断依赖专家经验且存在时频特征提取效果不佳，导致故障诊断效率和精度较低的问题，提出一种基于同步压缩小波变换（SWT）与改进卷积神经网络（CNN）的轴承故障诊断模型（SICNN）。首先，将一维的非平稳轴承振动信号通过SWT转换为高频率表达的二维时频图像，作为卷积神经网络的输入；然后，引入SRM对提取的特征进行风格池化与融合，调整卷积通道合适的特征权重，提高重要特征的关注度进而提高网络的表征能力；最后，通过Softmax层输出故障诊断结果。为了验证所提出的模型性能，使用凯斯西储大学采集的轴承数据集开展实验。结果表明，该模型故障诊断准确率可达到99.88%，与其他传统方法相比，具有良好的可行性和收敛性能，实践层面应用价值较高。
关键词：故障诊断;;滚动轴承;;同步压缩小波变换;;卷积神经网络;;通道注意力模块;;注意力机制
基金资助：国家社会科学基金项目（18BJY033）
