基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究

摘要：

针对传统滚动轴承故障诊断方法存在抗噪性差、需要人工特征提取、计算量较大、对运行设备要求高的问题,提出一种基于多分支深度可分离卷积神经网络(MBDS-CNN)的滚动轴承故障诊断方法,利用深度可分离卷积和权重剪枝技术对模型尺寸进行压缩,通过多分支结构保证模型的精度,避免梯度消失现象的发生.使用模型尺寸、诊断精度、预测速度作为评价指标对模型进行评估.试验结果证明,基于多分支深度可分离卷积神经网络的滚动轴承故障诊断,可以在噪声环境下有效识别轴承不同部位故障程度,提高了诊断效率,降低了对运行设备性能的要求.

关键词：滚动轴承、故障程度、抗噪性、卷积神经网络(CNN)、故障诊断

所属期刊栏目：40

分类号：TH133.33;U279.34

资助基金：国家自然科学基金;国家自然科学基金;北京市自然科学基金;国家自然科学基金;青年拔尖人才培育项目;青年拔尖人才培育项目;中央高校基本科研业务费专项;中央高校基本科研业务费专项;研究生创新项目;北京建筑大学科学研究基金

在线出版日期：2021-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：95-102