基于可信多尺度二次注意力卷积神经网络的轴承故障识别
来源：计算机集成制造系统杂志2025年第8期北京时间：
作者：唐宇恒, 张超勇, 张道德, 吴剑钊, 薛敬宇
单位：1.华中科技大学机械科学与工程学院2.华中科技大学智能制造装备与技术全国重点实验室3.湖北工业大学机械工程学院4.武汉重型机床集团有限公司
摘要：为提高机械装备的可靠性与安全性,对轴承进行故障识别势在必行。然而当训练样本量缺乏时,现有故障识别模型的精度会大幅下降,同时轴承运行过程中的噪声干扰和负载变动,使其故障识别面临显著困难与挑战。针对上述问题本文提出了一种可信多尺度二次注意力卷积神经网络模型,该模型在充分考虑特征金字塔的思想上,首先采用适用于轴承振动信号的多尺度宽卷积核,其次在后续特征提取阶段采用小卷积核,并在此阶段引入了包含注意力机制的二次神经元,最后在多尺度特征融合阶段通过将模型的输出转化为狄利克雷分布,再利用DS证据理论进行融合,达到可信分类。实验结果表明该模型具有优异的泛化能力和鲁棒性,在各种样本缺乏时的复杂工况下,其故障识别性能均优于其他对比模型,表现出极具竞争力的故障识别结果。
关键词：轴承故障识别,二次注意力卷积,多尺度学习,可信分类
基金资助：国家重点研发计划政府间国际合作专项资助项目(2022YFE0114200);国家自然科学基金资助项目(52205527)。
