基于改進DenseNet模型的滾動軸承變工況故障診斷*

王 焜，劉 鑫，楊嘉其，董增壽

(太原科技大學電子信息工程學院，太原 030024)

0 引言

滾動軸承是旋轉(zhuǎn)機械設(shè)備必不可少的零件，被廣泛用于多個工業(yè)領(lǐng)域的重要設(shè)備上。由于滾動軸承經(jīng)常工作在高溫、變速且載荷多變等惡劣環(huán)境下，會使得軸承工作表面會出現(xiàn)不同程度的損傷，因此滾動軸承也是最容易導致旋轉(zhuǎn)機械設(shè)備癱瘓的部件之一[1]。由滾動軸承的故障而造成旋轉(zhuǎn)機械的事故發(fā)生率大約占30%[2]。因此，展開滾動軸承的故障診斷方法研究，實現(xiàn)運行狀態(tài)的準確判別，對保障機械設(shè)備的安全運行具有極其重要的現(xiàn)實意義。

深度學習已成為了故障診斷和模式識別領(lǐng)域中的研究熱點，卷積神經(jīng)網(wǎng)絡(luò)[3]可以自動從信號和圖像中提取特征，有效的挖掘故障信息，因此在旋轉(zhuǎn)機械故障診斷研究中獲得了較多的關(guān)注。HOANG等[4]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法。通過將原始一維信號處理為二維圖像作輸入，取得了較高的診斷精度，并且具有良好的泛化性和抗噪聲能力。ZHANG等[5]提出了一種寬卷積核卷積神經(jīng)網(wǎng)絡(luò)(WDCNN)的診斷方法，通過在第一層使用寬卷積核來獲取更大的感受野，以提高網(wǎng)絡(luò)獲取全局信息的能力，有效提高了診斷準確率。但是，該方法在特征提取過程中需要獲得全局信息，增加了網(wǎng)絡(luò)的計算量，并且在診斷過程容易受到無效特征的影響。謝天雨等[6]提出了一種基于CNN和ECA的改進軸承故障診斷方法，通過采用ECA模塊來增強故障特征通道權(quán)重，降低了無關(guān)特征對模型的干擾。……