摘要： 针对传统轴承故障诊断需要依靠先验知识和专业技术的问题，提出一种端到端的流程架构和基于卷积神经注意力模块-卷积神经网络(Convolutional Block Attention Module-Convolution Neural Network, CBAM-CNN)的滚动轴承故障诊断模型，该方法能够自适应提取故障特征，摆脱了对人工处理复杂信号的依赖。首先，将一维故障振动信号转换为二维图像，并用伪彩色将其变为RGB三通道图像；其次，通过注意力机制CBAM模型，注重其重要的特征信息，调整权重参数，之后将其输入卷积神经网络，并添加Dropout层来增强模型的鲁棒性，添加L2正则化来防止过拟合且提升模型的泛化能力；最后，对不同类型的滚动轴承故障进行分类，完成滚动轴承故障诊断。为了验证CBAM-CNN模型的性能，使用了美国凯斯西储大学轴承实验台数据集进行验证，并将该网络模型应用于轴承实验台。结果表明，与其他诊断方法相比，该方法不仅结构简单，而且诊断高效，故障诊断效果良好。

关键词: 故障诊断; 滚动轴承; 深度学习; 注意力机制; 卷积神经网络

中图分类号: 

• TH133.33

• TP18