公开(公告)号：CN117315328B

公开(公告)日：2024-10-18

申请号：CN202311124091.5

申请日：2023-09-01

Applicant: 哈尔滨工程大学

Inventor： 杜雪娇 ,  师祥风 ,  盖京波 ,  邓建辉 ,  刘鹏鹏

IPC: G06V10/764 ,  G01M13/021 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种注意力机制下改进卷积神经网络的齿轮故障诊断方法，所述方法包括如下步骤：一、采集在不同故障程度下的齿轮振动数据；二、将齿轮振动数据经过短时傅里叶变换转化为2D时频图，将每种故障类别2D时频图数据集划分为训练样本集和测试样本集；三、以AlexNet作为基础框架，构建含注意力机制的特征提取模块、特征融合与分类模块，组成CBAM‑SCCNN模型；四、加载测试样本集输入到CBAM‑SCCNN模型中，输出齿轮断齿故障的诊断结果，测试模型诊断性能。该方法通过减小网络通道数，加快模型训练速率，缩短诊断时长；通过在模型中添加注意力模块实现对关键特征的自适应学习，提升齿轮故障诊断准确率。

公开(公告)号：CN117315328A

公开(公告)日：2023-12-29

申请号：CN202311124091.5

申请日：2023-09-01

Applicant: 哈尔滨工程大学

Inventor： 杜雪娇 ,  师祥风 ,  盖京波 ,  邓建辉 ,  刘鹏鹏

IPC: G06V10/764 ,  G01M13/021 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种注意力机制下改进卷积神经网络的齿轮故障诊断方法，所述方法包括如下步骤：一、采集在不同故障程度下的齿轮振动数据；二、将齿轮振动数据经过短时傅里叶变换转化为2D时频图，将每种故障类别2D时频图数据集划分为训练样本集和测试样本集；三、以AlexNet作为基础框架，构建含注意力机制的特征提取模块、特征融合与分类模块，组成CBAM‑SCCNN模型；四、加载测试样本集输入到CBAM‑SCCNN模型中，输出齿轮断齿故障的诊断结果，测试模型诊断性能。该方法通过减小网络通道数，加快模型训练速率，缩短诊断时长；通过在模型中添加注意力模块实现对关键特征的自适应学习，提升齿轮故障诊断准确率。