噪声与振动控制

噪声与振动控制 ›› 2023, Vol. 43 ›› Issue (6): 135-141.

• 信号处理与故障诊断 • 上一篇    下一篇

基于多分支卷积神经网络的轴承变工况故障诊断

王贡献，付泽，胡志辉，张淼   

  1. ( 武汉理工大学交通与物流工程学院，武汉430063 )
  • 收稿日期:2022-07-06 修回日期:2022-10-24 出版日期:2023-12-18 发布日期:2023-12-18

A Multi-branch Convolution Neural Network for Fault Diagnosis of Rolling Bearings under VariableWorking Conditions

  • Received:2022-07-06 Revised:2022-10-24 Online:2023-12-18 Published:2023-12-18

PDF

摘要： 针对采用单信号为输入的滚动轴承智能故障诊断方法存在诊断精度低、噪声鲁棒性差和难以适用于变工况等问题，提出一种多分支卷积神经网络(MBCNN)用于轴承故障诊断。该方法基于多尺度均值化对轴承振动信号进行重构，利用MBCNN的多个并行的分支从重构子信号中提取丰富互补的故障特征，采用残差学习和全局平均池化层改善模型的训练性能，建立基于微调的迁移学习策略以实现变工况故障诊断，并进行实验验证和对比分析。结果表明：所提出方法在变噪声实验中识别准确率为97.1 %～100 %，在不同迁移路径上诊断准确率高于98.8 %，证明该方法具有良好的抗噪声能力和跨域故障诊断效果。

关键词: 故障诊断, 滚动轴承, 卷积神经网络, 残差学习