基于改进深度残差收缩网络的旋转机械故障诊断

作者：杨正理,吴馥云,陈海霞. 日期：2023-05-25/span> 浏览：1360 查看PDF文档

摘要:旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络（CNN）的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明:DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了模型训练的倾向性。与其他模型相比较,DRSN多层模型的平均故障诊断精度提高约1%～6%。

关键词:滚动轴承;卷积神经网络;深度残差收缩网络;软阈值化;数据样本不平衡;噪声干扰

中图分类号:TH133.3;TP183文献标识码:A文章编号:1001-4551(2023)03-0344-09


本文引用格式:

杨正理,吴馥云,陈海霞.基于改进深度残差收缩网络的旋转机械故障诊断［J］.机电工程,2023,40(3):344-352.

YANG Zheng-li, WU Fu-yun, CHEN Hai-xia. Fault diagnosis of rotating mechanical based on improved deep residual shrinkage network［J］.Journal of Mechanical & Electrical Engineering, 2023,40(3):344-352.