使用改进残差神经网络的滚动轴承变工况故障诊断方法

作     者：赵小强 梁浩鹏 ZHAO Xiaoqiang;LIANG Haopeng

作者机构：兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验教学中心兰州730050 

基　　金：国家自然科学基金资助项目(61763029) 甘肃省高等学校产业支撑引导项目(2019C-05) 甘肃省工业过程先进控制重点实验室开放基金资助项目(2019KFJJ01) 

出 版 物：《西安交通大学学报》 (Journal of Xi'an Jiaotong University)

年 卷 期：2020年第54卷第9期

页      码：23-31页

摘      要：针对滚动轴承工况复杂多变、环境噪声干扰大、有效数据样本不足而导致的故障诊断效果不佳的问题,提出了一种用于滚动轴承变工况故障诊断的改进残差神经网络方法。以采集到的滚动轴承时域信号作为输入,针对滚动轴承时域信号时变性较强的特点,构建了一种基于Inception模块改进的数据池化层。基于Inception模块思想,采用3个3×3的小卷积层串联和堆叠以及加入残差连接的方式构建数据池化层,有效地提取了特征信息。在残差块中添加跳跃连接线,设计了一种带跳跃连接线的残差块,增强了残差块对特征信息的学习效率。利用空洞卷积能够扩大感受野的优点,将带跳跃连接线的残差块中的普通卷积替换为空洞卷积,设计了一种带跳跃连接线的空洞残差块。将设计的两种残差块端对端首尾相连构建神经网络。将所提方法与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和ResNet方法进行了仿真对比,结果表明,所提方法在变噪声实验中的平均准确率为97.34%,变负荷实验中的准确率为88.83%~96.76%,均高于其他方法的,变工况实验中的平均准确率高于ResNet方法的,且具有更低的均值方差0.000 6。所提方法具有较强的抗噪性和泛化能力。

主 题 词：故障诊断 滚动轴承 变工况 残差神经网络 

学科分类：0810[工学-土木类] 08[工学] 080203[080203] 0805[工学-能源动力学] 0802[工学-机械学] 081101[081101] 0811[工学-水利类] 081102[081102] 0812[工学-测绘类] 080201[080201] 

核心收录：

D　O　I：10.7652/xjtuxb202009002

馆 藏 号：203974826...