基于RegNet-CSAM與ZOA-KELM模型的滾動軸承故障診斷

摘要： 針對現(xiàn)有深度卷積神經(jīng)網(wǎng)絡(luò)對滾動軸承混合故障診斷效果不佳以及模型復(fù)雜度過高導(dǎo)致計算成本過大等問題，提出了一種基于RegNet-CSAM與ZOA-KELM模型的滾動軸承故障診斷方法。該模型由RegNet-CSAM網(wǎng)絡(luò)和ZOA-KELM分類算法組成。首先，將融合了通道和空間特征的注意力機(jī)制CSAM與組卷積殘差模塊結(jié)合，提升該結(jié)構(gòu)的表征能力，由此構(gòu)建的RegNet-CSAM網(wǎng)絡(luò)，模型復(fù)... （共11頁）