基于1DDRSN的轴承故障诊断研究

轴承作为旋转设备的关键部件,工作状态下因磨损和裂纹等失效状况的出现,使采集到的数据夹杂着干扰性振动信号,而传统的故障诊断方法具有较大误差,导致诊断结果不够准确。针对这一问题,文中提出一种基于一维深度残差收缩网络的轴承故障诊断模型,该模型将注意力机制及软阈值化引入残差网络,通过减小冗余信息的干扰,提高特征提取的能力。为验证模型的可行性,运用凯斯西储大学轴承试验数据中的4种故障情况,各故障情况分别选取360组数据作为样本用于故障诊断,结果表明:该方法可以很好地增强有效信息和减弱无效的噪声信息,具有更好的抗噪性,相比其他诊断方法,有效性与准确率更高。