摘要详情

ID / 提交时间

58 / 2024-08-15 16:40:13

标题

WaveFA-Net: Bearing Fault Diagnosis Model Based on Multi-Domain Blind Deconvolution and Frequency Domain Attention Mechanism

关键字

Bearing fault diagnosis,discrete wavelet transform,attention mechanism,data augmentation,hyperparameter optimization

主题及专题

Special Sessions > SS05 Signal Decomposition-Integrated Intelligent Mechanical Fault Diagnosis and Remaining Useful Life Prediction

状态

终稿

作者

MaNing / Southwest Jiaotong University；Hong Kong Polytechnic University Shenzhen Research Institute

LiuWenqiang / Hong Kong Polytechnic University Shenzhen Research Institute；Chinese National Rail Transit Electnification and Automation Engineering Technology Researçh Centre

YangHaonan / Southwest Jiaotong University

ShiLinjun / Southwest Jiaotong University；Hong Kong Polytechnic University Shenzhen Research Institute

LiuZhigang / Southwest Jiaotong University

ShanXiangyu / Southwest Jiaotong University

摘要

轴承是关键的机械设备部件，会影响系统的可靠性、安全性和效率。传统的故障检测系统依靠传感器来收集振动信号，但在处理多尺度、非线性和高噪声数据时遇到困难，影响了实时性能和精度。该文提出了一种创新方法WaveFA-Net，这是一种集成了多分辨率分解、频率注意力、多i域盲反卷积以及用于轴承故障检测的多头和多尺度注意力机制的深度神经网络。 首先，将数据采用离散小波变换（DWT）进行多分辨率分解，提取和增强特征，并利用频率注意力、多域盲反卷积对重要特征分量进行筛选。此外，在网络的骨干和颈部模块中引入多头和多尺度注意力机制，强化信息的全局依赖性和多尺度性质。 最后，采用物理启发的损失函数、数据增强和超参数优化策略来保证鲁棒性和稳定性。实验结果表明，在不同信噪比（SNR）条件下，所提方法在复杂环境中具有较强的潜力。