基于异构集成和注意力机制的轴承故障诊断

摘要

为了提高发动机故障诊断精度,利用集成学习异构集成机械学习模型,并使用注意力机制提高模型准确度。利用集成学习理论训练异构的随机森林、卷积神经网络、深度神经网络诊断模型,再将各个子异构学习器的输出值通过注意力调节特征权重,作为输入数据通过决策树训练,得到完整的Stacking异构模型;解决各个神经网络在故障诊断过程中特征值提取不准确或者部分故障诊断不精确的问题。方法采用凯斯西储大学轴承数据集为数据依托,与传统的Stacking集成学习故障诊断模型进行对比,注意力机制的加入,使诊断精度提高5.6%。