基于增強(qiáng)深度卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承多工況故障診斷方法

打開(kāi)文本圖片集

摘要： 針對(duì)現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)無(wú)法充分提取滾動(dòng)軸承時(shí)域信號(hào)間的關(guān)聯(lián)特征，模型訓(xùn)練所需樣本多以及泛化性不足的問(wèn)題，提出一種基于增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承多工況故障診斷方法。根據(jù)滾動(dòng)軸承轉(zhuǎn)速和采樣頻率計(jì)算軸承單圈故障特征信號(hào)長(zhǎng)度，采用格拉姆角場(chǎng)編碼技術(shù)對(duì)單圈時(shí)域信號(hào)完整信息進(jìn)行編碼，生成相應(yīng)特征圖像，使神經(jīng)網(wǎng)絡(luò)在視覺(jué)上對(duì)時(shí)域信號(hào)關(guān)聯(lián)特征進(jìn)行學(xué)習(xí)；利用ACNet網(wǎng)絡(luò)模型中的非對(duì)稱卷積對(duì)ConvNeXt模型的7×7深度卷積層進(jìn)行重構(gòu)：即采用2個(gè)3×3，1個(gè)1×3和1個(gè)3×1的非對(duì)稱小卷積核以多分支結(jié)構(gòu)組合的形式重構(gòu)其7×7卷積層，增強(qiáng)ConvNeXt模型的特征提取效率；對(duì)ConvNeXt模型中的數(shù)據(jù)增強(qiáng)模塊及學(xué)習(xí)率衰減策略進(jìn)行改進(jìn)，提高ConvNeX模型在小樣本訓(xùn)練下的泛化性，以此搭建增強(qiáng)深度卷積神經(jīng)網(wǎng)絡(luò)IConvNeXt模型。（剩余21839字）