基于改进深度残差网络的轴承故障诊断方法

针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitation networks,SENet)结构引入到残差神经网络残差块之中建立特征提取通道之间的联系,得到改进深度残差网络模型;再将标签化的训练集数据样本输入改进的诊断模型中进行训练;将训练好的诊断模型应用于测试集,输出每种故障的识别结果。在训练过程中,为了抑制过拟合,对原始训练样本进行加噪处理;同时引入了激活函数LReLU和Dropout技巧来提高模型的抗干扰能力。为了验证该模型的诊断性能,选用实验数据进行验证,结果表明该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的故障诊断能力。

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。