优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用 |
| |
引用本文: | 雷春丽,夏奔锋,薛林林,焦孟萱,张护强.优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用[J].振动工程学报,2023(6):1754-1763. |
| |
作者姓名: | 雷春丽 夏奔锋 薛林林 焦孟萱 张护强 |
| |
作者单位: | 1. 兰州理工大学机电工程学院;2. 兰州理工大学数字制造技术与应用省部共建教育部重点实验室 |
| |
基金项目: | 国家自然科学基金资助项目(51465035);;甘肃省自然科学基金资助项目(20JR5RA466); |
| |
摘 要: | 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络(Depthwise Separable Residual Network,DS-ResNet)的滚动轴承故障诊断方法。采用快速傅里叶变换(Fast Fourier Transform,FFT)将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积(Depthwise Separable Convolution,DSC)计算复杂度低和逐点卷积(Pointwise Convolution,PWC)能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。
|
关 键 词: | 故障诊断 滚动轴承 深度可分离卷积 深度残差网络 快速傅里叶变换 |
|
|