改进的残差网络及其在滚动轴承早期故障诊断中的应用

基于残差网络的滚动轴承故障诊断已经取得一定的成果,但传统的残差网络只能将输入信号进行自下而上的单向特征提取,如果当前层丢失信号中的有用信息,后续层将无法弥补丢失的信息.特别是滚动轴承发生早期微弱故障时,故障特征容易被噪声所掩盖.如何利用残差网络,充分提取滚动轴承早期故障特征,是一个亟待解决的问题.为此,本文提出一种具有密集连接机制(dense connection residual network,DRN)的新型残差网络.在DRN中,每个隐藏层都与输入信号建立有向连接,再利用通道级联算法,将输入信号和每个隐藏层特征进行重构,从而修复深层模型中遗漏的有用信息,获得更完整的故障特征.在XJTU-SY数据集上进行实验,当信噪比达到0 dB、-1 dB、-2 dB、-3 dB、-4 dB时,DRN的准确率均保持在95%以上,说明该方法具有较好的鲁棒性.