基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点，为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先，通过小波变换将原始数据转换为时频图，经过数据预处理后送入基于Involution的神经网络模型；然后，经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取，扩展输入图像通道数；最后，通过Involution对特征图的每个像素点进行进一步特征提取，经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明，基于Involution卷积的神经网络模型所包含的参数较少，训练时间短，故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。