基于深度残差网络的滚动轴承故障诊断方法

作     者：徐卓飞 武丽花 黄卿 刘善慧 赵庆海 XU Zhuofei;WU Lihua;HUANG Qing;LIU Shanhui;ZHAO Qinghai

作者机构：西安理工大学印刷包装与数字媒体学院西安710048 南充职业技术学院艺术系四川南充637131 西安理工大学水利水电学院西安710048 

出 版 物：《机械设计与研究》 (Machine Design And Research)

年 卷 期：2021年第37卷第3期

页      面：78-83页

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划(2019YFB1707203) 西安市科技计划(2019217814GXRC014CG015-GXYD14.18)资助项目 中国博士后基金项目(2019M663783) 

主　　题：滚动轴承 故障诊断 残差网络 深度学习 

摘      要：在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性。针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程。主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断。所提出方法在两组诊断实验中均达到了100%的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果。研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景。