基于自适应CYCBD和DARTS的滚动轴承故障诊断方法

针对强噪声导致滚动轴承振动信号故障特征不明显的问题,提出一种结合自适应最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationary Blind Deconvolution,CYCBD)与可微架构自搜索(Differentiable Architecture Search,DARTS)的故障诊断方法。首先将模糊熵作为鲸鱼优化算法的适应度函数进行CYCBD滤波器长度寻优,并以峭度-包络谱峰值为综合指标对循环频率进行步长寻优,从而实现自适应CYCBD降噪;然后引入DARTS算法实现滚动轴承故障识别模型的自构建;最后通过滚动轴承公开数据与实验数据验证多域强噪声环境下自适应CYCBD-DARTS故障诊断方法的有效性。

一种抗噪声轴承故障诊断方法

针对滚动轴承在噪声环境中故障诊断准确率低、诊断模型稳定性差等问题,提出了一种DARTS-CNN-BiLSTM故障诊断模型。首先,使用可微架构搜索(differentiable architecture search, DARTS)算法对卷积神经(convolutional neural network, CNN)网络进行结构寻优,以提升CNN对原始振动信号的深层特征挖掘能力和抗噪性能。然后,引入双向长短时记忆(bidirectional long-short term memory, BiLSTM)网络进一步提取信号的时序特征,提升模型的稳定性和鲁棒性。最后,通过全局平均池化和Softmax分类器完成故障分类。分别使用西储大学和渥太华大学公开数据集进行实验,结果表明,此模型平均诊断准确率可达98.38%以上,在添加不同信噪比大小的额外噪声条件下,该模型仍能保持较高的诊断准确率,与其他模型相比,具备更好的抗噪性和稳定性。