文献类型：期刊文章

作　　者：王同[1] 许昕[1,2] 潘宏侠[1,2]

WANG Tong;XU Xin;PAN Hongxia(School of Mechanical Engineering,North University of China,Taiyuan 030051,China;Institute of System Identification and Diagnosis Technology,North University of China,Taiyuan 030051,China)

机构地区：[1]中北大学机械工程学院,山西太原030051 [2]中北大学系统辨识与诊断技术研究所,山西太原030051

出　　处：《机电工程》

基　　金：内燃机可靠性国家重点实验室基金资助项目(skler-201911)。

年　　份：2024

卷　　号：41

期　　号：1

起止页码：22-32

语　　种：中文

收录情况：BDHX、BDHX2023、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

关 键 词：深度分离卷积  信息融合 参数修剪  残差网络  卷积神经网络 自适应噪声的完全集合经验模态分解  本征模态函数  多域信息融合结合深度分离卷积  

分 类 号：TH133.33]