来源：期刊VIP网 时间：
作者：王庆荣;王媛;朱昌锋;周禹潼;
单位：兰州交通大学电子与信息工程学院;兰州交通大学交通运输学院;
摘要：针对传统卷积网络学习关键故障能力不足、诊断准确率低下的问题，提出一种融合并行ECA模块的双通道交叉密集连接故障诊断模型（DCCNN）。该模型在密集连接网络的基础上搭建双通道结构，设计了多卷积残差模块和多尺度密集连接网络对故障特征进行提取，实现故障信息的交互与整合；网络内嵌并行通道注意模块，通过通道注意力机制重赋权重，形成的多权重特征能够从多个角度抑制噪声以及无关信号的干扰；最后在凯斯西储大学的轴承数据和齿轮数据上进行训练；实验结果表明：轴承故障识别准确率为99.31%，验证了模型具有自适应诊断能力；在噪声和负载的工况环境中，网络模型也保持较好的诊断性能，相比于其他方法，所提方法具有良好的泛化性和抗噪性。
关键词：密集连接网络;;注意力机制;;故障诊断;;残差模块
基金资助：国家自然科学基金项目（71961016）;; 甘肃省自然科学基金项目（20JR10RA214）
