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

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。