重参数化VGG网络在滚动轴承故障诊断中的应用研究

作     者：丁汕汕 陈仁文 黄翊君 刘飞 刘昊 肖安 DING Shanshan;CHEN Renwen;HUANG Yijun;LIU Fei;LIU Hao;XIAO An

作者机构：南京航空航天大学机械结构力学及控制国家重点实验室南京210016 南京航空航天大学自动化学院南京210016 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2023年第42卷第11期

页      面：313-323页

核心收录：

学科分类：08[工学] 080202[工学-机械电子工程] 080203[工学-机械设计及理论] 0802[工学-机械工程] 081201[工学-计算机系统结构] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(51635008) 江苏省高校优势学科建设工程项目(PAPD) 

主　　题：轴承故障诊断 RepVGG 数据增强 泛化性 

摘      要：基于神经网络的滚动轴承故障诊断方法训练时,存在诊断准确率低和易受到变工况噪声干扰的问题,提出一种基于重参数化VGG(RepVGG)滚动轴承故障诊断方法。为满足神经网络对数据量的要求,采用数据增强技术来扩充原始数据,使用短时傅里叶变换(STFT)对原始的振动信号处理成单通道时频图,并使用伪彩色处理技术转换成三通道时频图,进一步将数据输入到RepVGG网络的不同结构中进行滚动轴承的故障诊断。在凯斯西储大学(CWRU)滚动轴承数据集上开展试验验证,试验结果表明,RepVGG在变工况及噪声干扰下的平均诊断准确率分别为98.02%、95%以上,高于基于VGG、ResNet的故障诊断模型,有较高的故障诊断准确率且泛化性更好。