重参数化VGG网络在滚动轴承故障诊断中的应用研究

基于神经网络的滚动轴承故障诊断方法训练时，存在诊断准确率低和易受到变工况噪声干扰的问题，提出一种基于重参数化VGG(RepVGG)滚动轴承故障诊断方法。为满足神经网络对数据量的要求，采用数据增强技术来扩充原始数据，使用短时傅里叶变换(STFT)对原始的振动信号处理成单通道时频图，并使用伪彩色处理技术转换成三通道时频图，进一步将数据输入到RepVGG网络的不同结构中进行滚动轴承的故障诊断。在凯斯西储大学(CWRU)滚动轴承数据集上开展试验验证，试验结果表明，RepVGG在变工况及噪声干扰下的平均诊断准确率分别为98.02%、95%以上，高于基于VGG、ResNet的故障诊断模型，有较高的故障诊断准确率且泛化性更好。