TY -的A2 Wong开尔文盟——周,一轻王盟——剑盟——王,Zeru PY - 2021 DA - 2021/11/22 TI -轴承故障预测方法基于多尺度特征提取和关注学习机制SP - 6221545六世- 2021 AB -最近,研究数据驱动的故障识别已经得到越来越多的关注由于现代条件监控技术的快速发展和大规模存储历史数据的可用性。然而,大多数工业设备是在变量工业操作条件下工作,可以成为一个伟大的挑战正常数据驱动模型的泛化能力训练的历史存储操作数据的分布可能不同于当前操作的数据集。此外,传统的数据驱动的故障预测模型训练的大量历史数据很难满足实时要求的实用行业。自从层次特征提取可以提高模型的泛化能力和注意力学习机制可以提高预测效率,本文提出了一种新型轴承故障预测方法结合U-net-based多尺度特征提取网络和CBAM -(基于卷积块关注模块)注意学习网络。首先,时间域条件监测信号转换成二维灰度图像,可以适用于输入的CNN。第二,CNN模型基于U-net结构采用分层次的特征提取器提取多层次功能可以非常敏感的错误信息包含在转换后的图像。最后,包含不同表示形式的多层次特征提取原始信号发送到设计CBAM-based注意学习效率高网络故障分类以其独特的强调歧视的特点。验证了该方法的有效性通过两个案例研究提供的CWRU(凯斯西保留大学)和帕德伯恩大学。实验结果表明,该故障预测方法优于其他比较模型的泛化能力和加速性能。SN - 1687 - 725 - 2021/6221545 / 10.1155 x你——https://doi.org/10.1155/2021/6221545——摩根富林明——《传感器PB - Hindawi KW - ER