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. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论