基于SE-ResNet和迁移学习的轴承故障诊断方法研究

摘要：

针对传统滚动轴承故障诊断在小样本下准确率低和泛化性差的问题,提出了一种基于SE-ResNet和迁移学习的轴承故障诊断方法.首先,对数据进行预处理,将其转化为二维图像;其次,在残差神经网络的残差块中引入挤压与激励网络结构的注意力机制,从而改进深度残差网络模型;然后,将转化后的二维图像输入SE-ResNet模型,并对测试样本中的滚动轴承状态进行分类;最后,通过迁移学习将小样本训练的模型作为预训练模型,利用不同工况下的数据进行实验,并将该方法与2D-CNN、ResNeXt-50、AlexNet和BiLSTM方法进行比较.结果表明,SE-ResNet在CWRU数据集单工况下的准确率达到87.09%～99.61%,SE-ResNet+迁移学习的方法在本文两种数据集(CWRU、XJTU-SY)的各工况下的准确率分别达到92.8%～99.54%和85.1%～100%,比其他方法具有更好的准确率和泛化性能.

关键词：小样本、故障诊断、SENet、ResNet、迁移学习

所属期刊栏目：37

分类号：TP183(自动化基础理论)

资助基金：四川省科技厅科技支撑项目;企业信息化与物联网测控技术四川省高校重点实验室开放基金;四川轻化工大学科研创新团队计划项目

在线出版日期：2024-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：19-27