2025, 46(8):49-62.
摘要:
针对航空发动机中介轴承在强噪声背景下的健康监测问题,提出了一种结合数据融合和自适应注意力机制的多尺度残差神经网络(Res2APCNN)模型。首先,采用格拉姆角差场(GADF)、格拉姆角和场(GASF)以及马尔科夫转移场(MTF)方法,将轴承信号转化为二维灰度图像,并将这3种图像分别映射至RGB的3个通道,构建复合彩色图像,从而增强对时间序列信息的捕获能力。其次,引入Res2Net模块,通过并行卷积操作提取不同尺度的信息,过滤噪声干扰并优化信息流动。再次,嵌入自适应并联特征融合模块,对各特征维度的重要性赋予差异化权重,对关键特征信号进行筛选和放大。最后,通过特征提取和分类模块输出中介轴承故障类型。采用意大利都灵理工大学、哈尔滨工业大学轴承数据集和自建试验台数据集对模型进行验证。实验结果表明,所提出的Res2APCNN模型在强噪声环境下表现出优异的故障诊断性能,与当前先进方法相比,在都灵理工大学数据集上,相较于IDRSN方法准确率提升了1.52%;在HIT数据集上,相较于MC-CNN方法准确率提升了6.65%;在自建数据集上,相较于Wen-CNN方法准确率提升了2.35%。此外,该模型的诊断准确率波动最小,稳定性最高。在强噪声条件下,Res2APCNN模型仍能保持较高的识别精度,展现出良好的抗干扰能力。