针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比(signal-to-noise ratio,简称SNR)低的特点,提出了一种利用注意力循环机制(attention recurrent,简称AR)构建数字胶囊并与胶囊网络(capsule network,简称Caps)相融合的微弱故障诊断模型。首先,在构建初级胶囊时引入双向长短时记忆网络(bidirectional long short time memory neural network,简称Bi-LSTM),对时频图中的时序特征进行提取,并建立胶囊间的非线性关联;其次,引入注意力循环机制构建数字胶囊,提高时频图中不同时间和频带的能量强度变化的影响力;然后,通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合,实现特征的多样提取;最后,利用softmax分类器将融合特征映射到输出层,实现高噪声环境下的滚动轴承故障诊断。结果表明,该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度,并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。
