《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：陈晓
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

作者：陈伟,王复淞,郭婧,等. 日期：2023-07-18/span> 浏览：1256 查看PDF文档

基于Dropout-多尺度空洞卷积神经网络的

轴承故障诊断*

陈伟1,王复淞2,郭婧2,黄博昊2,白艺硕2

(1.中煤信息技术(北京)有限公司,北京 100029;2.中国矿业大学 (北京)机电与信息工程学院,北京 100083)

摘要:为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout多尺度空洞卷积神经网络(DMDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于DMDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明:在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于DMDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明:基于DMDCNN的模型是一种有效的轴承故障诊断模型。

关键词:强噪声环境;低信噪比信号;滚动轴承故障诊断;故障特征提取;Dropout-多尺度空洞卷积神经网络;损坏训练数据;抗噪声能力

中图分类号:TH133.3;TP183文献标识码:A文章编号:1001-4551(2023)05-0644-11

本文引用格式:

陈伟,王复淞,郭婧,等.基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断［J］.机电工程,2023,40(5):644-654.

CHEN Wei, WANG Fu-song, GUO Jing, et al. Rolling bearing fault diagnosis based on Dropout-multi-scale dilated convolution neural network［J］.Journal of Mechanical & Electrical Engineering, 2023,40(5):644-654.