一种结合改进Inception V2模块和CBAM的轴承故障诊断方法

打开文本图片集

摘要：传统深度学习的轴承故障诊断方法网络复杂，训练参数多，模型泛化性弱。针对上述问题，在工业大数据背景下，提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法，改进后的Inception V2模块通过增加平均池化层，进一步拓宽分支网络结构，从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图，作为卷积神经网络的输入，通过改进Inception V2模块对输入特征进行自适应特征提取，跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重，增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层，并输出故障诊断结果。（剩余12910字）