一种基于新型轻量级神经网络的滚动轴承故障诊断方法

近年来随着传感器的技术进步，使得滚动轴承的故障数据获取成几何倍数增长。然而，传统的深度学习方法在处理海量数据时，常常会出现效率低、计算量与占用内存过大的问题。为解决这些问题，文中提出了一个双层宽核卷积神经网络（Two Wide Kernel Convolutional Neural Network, TWCNN）模型用于滚动轴承故障诊断。该模型以一维振动信号作为输入（1D-TWCNN），通过在前两个卷积层中采用宽卷积核提取特征，实现了以较少的参数来获取更大的感受野，因此大幅地减少了网络模型的连接参数，使得模型的计算量大幅减少，效率提升。与传统的优秀轻量化模型Mobile NetV3(Small)的变体和Shuffle NetV2相比，文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型。而且在滚动轴承的故障诊断中的诊断精度更高。