概述
基于注意力机制的Transformer模型有着优于卷积神经网络(convolutional neural network,CNN)的特征提取能力且在自然语言处理及计算机视觉领域都得到成功的应用。
1、对原始振动信号利用Dropout技术进行数据增强,提高模型的泛化能力;
2、利用多通道一维卷积进行数据处理并得到矩阵形式;
3、利用Dense连接的Encoder 结构进行机械设备的故障特征提取;
4、利用分类模块得到故障诊断结果。
分别采用变转速轴承数据和轮对轴承数据对模型进行试验验证。
试验结果表明,该模型在两种数据集上均达到99%以上的故障识别率,与CNN相比可以更好地提取机械设备故障特征,有工程应用价值。
模型
对机械设备的故障诊断研究对于保证设施的安全和可靠具有重要意义。
基于深度学习的故障诊断是目前的研究热点,论文提出基于卷积神经网络( convolutional neural network,CNN)和循环神经网络( recurrent neural networks,RNN)的故障诊断方法存在的缺点,指出:
注意力机制可以将序列的