机床与液压

作者：郑爱云，张聪，刘伟民，郑直

单位：华北理工大学机械工程学院；华北理工大学机械工程学院；华北理工大学机械工程学院；华北理工大学机械工程学院

关键词：滚动轴承;对抗训练;注意力机制;深度可分离卷积;布谷鸟搜索算法

基金：河北省自然科学基金项目(E2022209086)；河北省科技重大专项项目(22282203Z)

引入可学习攻击策略对抗训练网络模型(LAS-AT)进行滚动轴承故障诊断时，存在特征提取能力不足、计算效率低和诊断精度低等问题。针对此，提出一种改进的LAS-AT(CDEW-LAS-AT)。为了提升LAS-AT的特征提取能力，将高效通道注意力机制(ECA)嵌入到网络结构的特征提取功能模块中，通过滚动轴承故障实验进行验证分析。结果表明：ECA注意力机制使模型的特征提取能力、收敛性、稳定性、精度均得到了有效提升，其精度提升了14.59%，损失值下降。为了改善模型的计算效率，将LAS-AT中的WideResNet中的普通卷积替换为深度可分离卷积，对模型的权重参数进行优化处理。结果表明：深度可分离卷积有效减少了网络的参数量、计算量和计算时延，降低了网络结构的规模，提高了网络诊断实时性和准确性；最后，为了再次提升模型的诊断精度，利用布谷鸟搜索优化算法(CS)对策略中的参数和生成对抗样本的参数进行优化处理。通过滚动轴承故障实验验证分析通过布谷鸟搜索优化算法进一步提升了模型的收敛性、稳定性和精度，其精度达到了94.52%，整体提升了37.88%。

来源：2025年第14期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第14期