多特征融合的滚动轴承故障诊断

作     者：赵小强 郭海科 ZHAO Xiaoqiang;GUO Haike

作者机构：兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验室教学中心兰州730050 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2023年第39卷第13期

页      面：80-88页

核心收录：

学科分类：08[工学] 0828[工学-农业工程] 082801[工学-农业机械化工程] 0903[农学-农业资源与环境] 0802[工学-机械工程] 0901[农学-作物学] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(62263021) 甘肃省教育厅产业支撑项目(2021CYZC-02) 甘肃省科技专项项目(21YF5GA072)。 

主　　题：故障诊断 小波变换 特征融合 滚动轴承 残差连接 变工况 

摘      要：针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-SwinT滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform,CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks,MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module,CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%~99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-SwinT相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。