基于改进DenseNet模型的滚动轴承变工况故障诊断

针对旋转机械传统故障诊断中浅层特征对振动信号故障信息表征能力不足以及在变工况条件下传统的网络模型诊断能力差的问题,提出了一种结合风格再校准模块(style-based recalibration module,SRM)和密集连接卷积神经网络(densely connected convolutional networks,DenseNet)智能故障诊断神经网络模型。将预处理得到的时频图输入到引入SRM的DenseNet网络模型中,通过对特征图进行重新加权以及特征复用,避免有效信息缺失,降低了无关信息的干扰,增强模型对故障特征的提取能力。分别进行单一工况和变工况实验验证,结果表明所提方法在变工况条件下的故障识别率均优于目前主流的SVM、WDCNN和ECACNN诊断方法。