基于MSDS-CNN的滾動軸承故障診斷方法

王秀芳,李月明

(東北石油大學 電氣信息工程學院,黑龍江 大慶 163318)

0 引 言

由于電機為很多工業(yè)生產(chǎn)提供動力,因此對其進行及時高效的故障診斷可以避免經(jīng)濟損失和安全事故的發(fā)生。據(jù)分析報道,40%左右的電機故障是由軸承發(fā)生故障引發(fā)的[1]。保證滾動軸承的健康狀態(tài)是電機設備正常運行的關(guān)鍵,故對其故障進行實時智能診斷具有重要的工程應用價值。

傳統(tǒng)的故障診斷方法利用人為設計進行特征提取,比如頻譜分析[2]、經(jīng)驗模態(tài)分解[3]等,此類方法耗時耗力。經(jīng)典分類模型包括人工神經(jīng)網(wǎng)絡(ANN：Artificial Neural Networks)[4]、支持向量機(SVM：Support Vector Machine)[5]等。這些方法首先從頻域或時頻域提取軸承故障信號的特征,然后對特征進行學習,建立模型,再利用訓練好的模型進行故障診斷,雖然其可以在故障診斷中獲得一定的效果,但對淺層的網(wǎng)絡結(jié)構(gòu)卻難以提取深層特征信息[6]。

卷積神經(jīng)網(wǎng)絡(CNN：Convolutional Neural Network)具有優(yōu)異的特征提取能力,廣泛應用于軸承故障診斷等分類工作中。Zhang等[7]采用批量標準化和小批量訓練的方法提高了CNN在強噪聲場景下的軸承故障診斷精度。沈濤等[8]提出一種基于CNN和長短期記憶網(wǎng)絡(LSTM：Long Short Term Memory)的診斷模型。董紹江等[9]針對噪聲干擾下的故障診斷提出一種抗噪多核卷積神經(jīng)網(wǎng)絡。曹潔等[10]針對滾動軸承中數(shù)據(jù)不平衡分布的問題提出一種首層為大尺度卷積核的WKFL-1DCNN(1DCNN with Width Kernel of First Layer)模型,取得了較好的效果。以上方法存在模型參數(shù)量較多和計算量過大的問題,而大多移動端設備內(nèi)存和資源有限,使這些網(wǎng)絡模型不能順利移植到嵌入式設備中用于實時故障診斷?！?br>