噪声与振动控制

噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (5): 133-139.

• 信号处理与故障诊断 • 上一篇    下一篇

基于LWKConv-DRSN-FPN的旋转机械故障诊断

伍兴1, 2，李志伟1，宁文乐1，郑照2   

  1. （ 1. 上海工程技术大学电子电气工程学院，上海201600； 2. 杭州工互科技有限公司，杭州310000 ）
  • 收稿日期:2023-02-08 修回日期:2023-05-25 出版日期:2024-10-18 发布日期:2024-10-10

Fault Diagnosis of Rotating Machinery Based on LWKConv-DRSN-FPN

  • Received:2023-02-08 Revised:2023-05-25 Online:2024-10-18 Published:2024-10-10

PDF

摘要： 针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题，提出一种Laplace 小波核卷积层(Laplace Wavelet Kernel Convolutional Layer，LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks，DRSN)和特征金字塔网络(Feature Pyramid Networks，FPN)相结合的故障诊断方法。具体地，在DRSN模型结构基础上，构造LWKConv，通过更新尺度因子和平移因子，多尺度提取故障引起的突变冲击特征；引入FPN融合深层和浅层特征，提高模型对浅层细节信息的利用程度，实现对旋转机械的故障诊断。研究表明：所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100 %，尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75 %，能有效提取突变冲击特征，具有较好的通用性和抗强噪声干扰能力。

关键词: 故障诊断, 旋转机械, Laplace小波核卷积层, 深度残差收缩网络, 特征金字塔网络