控制与决策

作者：张亚洲,赵小强,惠永永,陈鹏

单位：兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050;甘肃省工业过程先进控制重点实验室,兰州 730050,,兰州石化职业技术大学 电子电气工程学院,兰州 730050,

关键词：故障诊断;多传感器数据;数据融合;齿轮箱;卷积神经网络;自注意力

基金：国家自然科学基金项目(62263021)；甘肃省青年科技基金计划项目(22JR5RA808).

针对单一传感器数据易受自身品质和环境的影响导致难以监控齿轮箱整体运行状况的问题,提出一种基于多传感器数据融合的SA-DACNN(self attention-dynamic adaptive convolutional neural network)齿轮箱故障诊断方法.首先,将采集到的不同位置的传感器信号作为多通道信号,并将多通道信号同时作为网络输入;然后,设计一种多通道特征融合模块,该模块通过自适应地加权不同通道的信息,确保不同通道的重要信息能够有效地融合,解决特征级多通道数据融合问题;最后,在全连接层之前,使用带残差连接的自注意力模块,帮助网络自动学习全局信息,增强对原始振动信号的特征学习能力.在两个齿轮箱数据集中进行实验,结果表明,所提出方法具有较高的故障诊断准确率,可以满足多传感器数据融合故障诊断的任务.

来源：2024年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第11期