来源：期刊VIP网 时间：
作者：周涛;姚德臣;杨建伟;
单位：北京建筑大学机电与车辆工程学院;
摘要：由于在实际工程中采集到的故障振动数据可能会伴随噪声，传统的诊断模型难以识别故障类别，针对此问题，提出一种基于通道和空间重组卷积与渐进式卷积神经网络（Channel and Spatial Reconstruction and Progressive Convolutional Neural Networks, CSRP-CNN）的滚动轴承故障诊断研究方法。所提模型利用通道和空间重组卷积（Channel and Spatial Reconstruction Convolution, CSConv）减少故障特征中通道和空间的冗余信息，降低复杂性和计算量以提高性能；使用卷积注意力模块（Convolutional Block Attention Module, CBAM）在通道和空间维度进行注意力增强操作，使模型关注重要的故障特征信息；在网络浅层采用渐进式卷积网络结构，将之前的故障特征信息与当前的输入进行融合，获取更加丰富的特征信息。通过凯斯西储大学（Case Western Reserve University, CWRU）和机械故障综合模拟试验平台（Machinery Fault Simulator Magnum, MFS-MG）两种不同的数据集对CSRP-CNN进行性能评估。经过噪声测试和消融试验，验证了CSRP-CNN具有较强的鲁棒性，以及CSConv、CBAM和渐进式卷积神经网络（Progressive Convolutional Neural Network, PCNN）对所提模型抗噪性能的影响。
关键词：故障诊断;;通道和空间重组卷积;;渐进式卷积神经网络;;鲁棒性
基金资助：国家自然科学基金面上项目(51975038);; 北京市自然科学基金(重点)项目(KZ202010016025);; 北京建筑大学青年教师科研能力提升计划(X21055);北京建筑大学研究生创新计划(PG2023134)~~
