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

CORC > 兰州理工大学 > 兰州理工大学 > 机电工程学院

	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
	雷春丽 1,2; 夏奔锋 1,2; 薛林林 1,2; 焦孟萱 1,2; 张护强 1,2
刊名	振动工程学报
	2022-07-05
页码	1-10
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
英文摘要	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，提出了一种优化深度残差网络（Deep Residual Networks,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 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的标准卷积层，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-4dB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2.16s，证明了所提方法具有更好的抗噪性能、泛化性能和更快的诊断效率。
URL标识	查看原文
语种	中文
内容类型	期刊论文
源URL	[http://ir.lut.edu.cn/handle/2XXMBERH/158732]
专题	机电工程学院
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
推荐引用方式 GB/T 7714	雷春丽,夏奔锋,薛林林,等. 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,2022:1-10.
APA	雷春丽,夏奔锋,薛林林,焦孟萱,&张护强.(2022).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.振动工程学报,1-10.
MLA	雷春丽,et al."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".振动工程学报 (2022):1-10.