重参数化VGG网络在滚动轴承故障诊断中的应用研究
Application study of reparameterized VGG network in rolling bearing fault diagnosis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)
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。