基于多尺度小波包启发卷积网络的旋转机械故障诊断

作     者：卢一相 钱冬生 竺德 孙冬 赵大卫 高清维 LU Yixiang;QIAN Dongsheng;ZHU De;SUN Dong;ZHAO Dawei;GAO Qingwei

作者机构：安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学电气工程与自动化学院合肥230601 

基　　金：安徽省青年基金(2308085QF224 2208085QF206) 安徽省教育厅高校自然科学重点项目(KJ2021A0013) 中国博士后科学基金面上项目(2023M730009) 国网安徽省电力有限公司科技项目(521203240005) 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2024年第43卷第17期

页      码：203-213页

摘      要：在工程实践中,旋转机械故障诊断常面临噪声干扰、故障样本稀缺以及工况变化等各种复杂情况,这给先验知识缺乏的数据驱动深度学习方法应用带来了新的挑战。传统基于小波分析的故障诊断方法可提取到故障丰富的先验知识,但固定(结构化)或单一的小波基难以直接适应复杂故障场景。针对上述问题,在传统多尺度小波包分析思想启发下,提出一种基于多尺度小波包启发卷积网络(multiscale wavelet packet-inspired convolutional network, MWPICNet)的端到端旋转机械故障诊断方法。MWPICNet在神经网络内部实现了时频域转换与滤波降噪、特征提取与分类过程的有机耦合。首先,通过交替使用多尺度小波包启发卷积层和软阈值激活层进行信号分解和非线性变换,逐层挖掘多尺度时频故障特征和过滤噪声冗余信息,该过程的多次迭代可近似视为小波包阈值去噪算法在多个可学习滤波器和可学习阈值下的多层深度展开;然后,设计频带加权层动态调整各频带通道的权重;最后,引入全局功率池化层提取有助于故障状态识别的判别性频带能量特征。在三种不同应用场景下分别采用对应的机械故障数据集进行案例研究,验证了所提模型在复杂故障场景下的可行性和有效性。

主 题 词：小波包变换 卷积神经网络 多小波基融合 故障诊断 

学科分类：08[工学] 080401[080401] 0804[工学-材料学] 080402[080402] 0838[0838] 

核心收录：

D　O　I：10.13465/j.cnki.jvs.2024.17.022

馆 藏 号：203142277...