基于多尺度多路径集成网络的轴承故障诊断方法

针对卷积神经网络参数量大、层数深、泛化性能弱的问题,提出了一种基于多尺度多路径集成网络(Multi⁃scale Multi⁃path Convolutional Neural Network,MCS⁃CNN)的轴承故障诊断方法。首先,提出多尺度卷积块,利用深度卷积和逐点卷积来降低网络参数量、增加网络宽度,有效提取多尺度特征;其次,提出集成块,利用多路径的连接方式将低级和高级特征连接起来以增加网络深度,进而提高模型诊断精度;最后,在凯斯西储大学轴承数据集上进行验证。结果表明,在高噪声和跨负载场景下的故障诊断精度分别可达97.5%和98.25%,在混合场景下相较于现有的诊断方法精度提高了15百分点以上,有效表明了此方法的鲁棒性和泛化性。