基于CNN-CBAM振动信号特征提取和改进的Bagging轴承故障诊断方法

技术特征：

1.一种基于cnn-cbam振动信号特征提取和改进的bagging轴承故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于cnn-cbam振动信号特征提取和改进的ba gging轴承故障诊断方法，其特征在于，所述步骤1利用传感器获取轴承在各种工况下的振动信号数据包括如下步骤：

3.根据权利要求1所述的基于cnn-cbam振动信号特征提取和改进的ba gging轴承故障诊断方法，其特征在于，所述步骤2生成特征值具体为：利用时域分析对所述振动信号解析，计算如下九个特征：时域极大值max，时域极小值min，时域平均值mean，时域标准差sd，时域峰度kurtosis，时域均方根rms，时域偏度skewness，峰值因子crest，波形因子from。

4.根据权利要求1所述的基于cnn-cbam振动信号特征提取和改进的ba gging轴承故障诊断方法，其特征在于，所述步骤4中采用卷积神经网络和卷积块注意模块结合模型实现特征提取包括如下步骤：

5.根据权利要求1所述的基于cnn-cbam振动信号特征提取和改进的ba gging轴承故障诊断方法，其特征在于，所述步骤5中探路者算法具体步骤如下：

6.根据权利要求5所述的基于cnn-cbam振动信号特征提取和改进的ba gging轴承故障诊断方法，其特征在于，使用的bagging模型对特征提取的数据集训练，其中n_estimators，max_samples，max_features依次作为自变量，正确率作为因变量，构成多元线性回归模型。公式如下：

技术总结
本发明涉及轴承故障诊断领域，公开了一种基于CNN‑CBAM振动信号特征提取和改进的Bagging轴承故障诊断方法，包含如下步骤：1）获取轴承在各种工况下的振动信号数据；2）基于所获取的振动信号，利用时域分析完成振动信号解析得到特征值；3）对特征值重新组合得到表征故障和非故障工况的轴承数据集；4）针对轴承数据集，采用卷积神经网络和卷积块注意模块结合模型实现特征提取；5）利用探路者算法优化Bagging模型参数并对特征提取的数据集训练，实现轴承故障诊断。与现有技术相比，本发明能够更好地捕捉轴承在各种工况的振动信号特征，提高设备的可靠性和安全性，更精准地发现潜在安全隐患，满足对轴承故障类别的正确判断要求。

技术研发人员：卢俊泽,姜伟,陈中
受保护的技术使用者：淮阴工学院
技术研发日：
技术公布日：2024/1/15