基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为-2 dB的高斯白噪声并进行模拟，经Z-Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。