Noise and Vibration Control ›› 2024, Vol. 44 ›› Issue (2): 122-128.

Previous Articles     Next Articles

Rolling Bearing Variable Load Fault Diagnosis Based on STFT-ECAResNet18 Network Model

  

  • Received:2022-10-26 Revised:2023-01-18 Online:2024-04-18 Published:2024-04-08

基于STFT-ECA-ResNet18 网络模型的滚动轴承变负载故障诊断

路近1, 2,王志国1, 2,刘飞1, 2   

  1. ( 1. 江南大学轻工过程先进控制教育部重点实验室,江苏无锡214122;
    2. 江南大学自动化研究所,江苏无锡214122 )

摘要: 针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。

关键词: 故障诊断, 网络模型泛化性, 短时傅里叶变换, 深度残差网络, 变负载