基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型

作     者：高志康 王衍学 姚家驰 李昕鸣 GAO Zhikang;WANG Yanxue;YAO Jiachi;LI Xinming

作者机构：北京建筑大学机电与车辆工程学院北京100044 

出 版 物：《机床与液压》 (Machine Tool & Hydraulics)

年 卷 期：2024年第52卷第19期

页      面：203-208页

学科分类：08[工学] 080203[工学-机械设计及理论] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金面上项目(51875032,52275079) 北京建筑大学研究生创新项目(PG2023131) 北京建筑大学青年教师科研能力提升计划项目(X23004) 

主　　题：故障诊断 滚动轴承 Mel光谱数据增强 深度残差网络 

摘      要：针对工业数据采集困难和稀疏数据特征提取能力有限等问题,提出一种基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型。为了增加训练样本数据的多样性,引入了Mel光谱数据增强技术,提高模型的泛化能力,使其能够更好地适应各种滚动轴承故障情况。通过ResNet网络残差单元的堆叠深度捕捉复杂的故障特征信息,进而有效识别滚动轴承的故障模式。最后,对实验现场采集的滚动轴承故障数据进行验证评估。结果表明:所提模型在增强数据集上的诊断准确率高达99.83%,比原始数据集准确率提高了1.39%;与其他方法相比,该模型在准确性和鲁棒性方面都取得了显著改进,能更准确地识别滚动轴承的不同故障类型。