多输入Stacking模型融合滚动轴承故障诊断

针对现有单输入模型抗噪声能力不强、泛化能力不足的问题,提出了一种基于多输入Stacking模型融合的滚动轴承故障诊断方法。该方法对滚动轴承的原始振动信号进行预处理,分别对原始信号进行经验模态分解、变分模态分解和多分辨率分析,将3种预处理后的信号输入到改进的卷积神经网络和改进的双输入卷积神经网络中进行训练及测试;各模型通过Stacking方法进行融合,以实现滚动轴承各种类型故障的诊断。结果表明,多输入Stacking模型融合方法的诊断性能优于传统的深度学习模型,在信噪比为5 dB的条件下达到了98.9%的诊断准确率。该模型的故障诊断性能稳定,具有很好的鲁棒性和泛化能力。

双重融合的轻量级卷积神经网络轴承故障诊断

以往的轴承故障诊断模型精度低,迭代时间长,难以适应现实生产场景,因此建立了一种数据融合加特征融合的并行双通道卷积神经网络模型。首先,将风扇端的数据和驱动端的数据组合,重新构建新的数据;之后将新的数据和数据重构后的二维数据输入到模型中提取特征,1D-CNN提取一维空间特征,2D-CNN利用深度残差收缩网络提取二维空间特征并进行降噪处理。使用深度可分离卷积和全局平均池化降低模型参数量;然后,将提取到的特征在全连接层进行特征融合,可以在保持高诊断准确率的同时降低噪声的影响;最后,利用Softmax分类器对轴承的状况进行辨别。模型的结构配置良好,迭代次数少,可以快速的收敛。参数量相比其他方法少很多,以便实际部署。实验表明,本文所提出的网络模型相较于其他深度学习方法,在强背景噪声以及弱干扰噪声的影响下都能更准确地识别信号的故障模式,验证了该模型的可行性和优越性。

基于非降维注意力机制的滚动轴承故障诊断方法

针对传统轴承故障诊断算法中存在的故障特征提取困难、模型泛化性差以及噪声环境下诊断准确率低等问题,提出一种可移植非降维注意力机制与深度残差神经网络相结合的故障诊断方法。该方法使用非降维注意力机制对残差块生成的特征图重新分配权重,对特征图采用局部而非全局的跨通道通信方式,自适应学习邻近通道的注意力分数,以增强故障轴承的特征识别率。使用凯斯西储大学轴承故障数据集对本文方法进行验证,实验表明,融合非降维注意力机制的残差网络可以准确识别出不同负载下混有噪声的故障轴承样本,在12 dB信噪比噪声情况下的准确率为99.5%,具有较强的抗噪性能和一定的泛化性能。