基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

作者：王同,许昕,潘宏侠. 日期：2024-01-29/span> 浏览：234 查看PDF文档

摘要:针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构，对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明：通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

关键词:深度分离卷积;信息融合;参数修剪;残差网络;卷积神经网络;自适应噪声的完全集合经验模态分解;本征模态函数;多域信息融合结合深度分离卷积

中图分类号:TH133.33文献标识码:A文章编号:1001-4551(2024)01-0022-11

本文引用格式:

王同,许昕,潘宏侠.基于多域信息融合与深度分离卷积的轴承故障诊断网络模型［J］.机电工程,2024,41(1):22-32.

WANG Tong, XU Xin, PAN Hongxia. Bearing fault diagnosis network modal based on multi-domain information fusion and depth separation convolutions［J］.Journal of Mechanical & Electrical Engineering, 2024,41(1):22-32.