基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。

基于改进的SqueezeNet直升机滚动轴承故障诊断

针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题,提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想,在经典的SqueezeNet基础上,采用3个3×3卷积核代替1个7×7卷积核,实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量,采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层,在保障特征提取能力的情况下,进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验,结果表明该模型诊断精度达到99.65%,与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当,而计算量与参数量最大缩减约6倍和36倍。