基于通道拆分CLAHE和自适应阈值残差网络的变工况故障诊断
基于深度学习的故障诊断方法在大数据发展的推动下逐渐成为近年来故障诊断领域的研究热点.但是在真实的工业领域,深度学习故障诊断仍存在两点局限性:1)早期故障特征微弱,故障信息提取不足;2)变工况下收集的故障数据分布不一致.这两点导致深度学习故障诊断存在故障识别率低、域适应性差的问题.为解决上述问题,提出了一种基于通道拆分CLA-HE和自适应阈值残差网络的变工况故障诊断方法(FEResNet).该方法从增强重要特征、删除冗余特征两个角度出发,首先对故障信号做Morlet小波变换,挖掘变工况下振动信号隐含的判别性时频信息;然后设计通道拆分的CLAHE方法,提高时频图的对比度和清晰度,增强故障特征;最后将特征增强后的时频图输入到设计的自适应阈值残差网络中进行训练,删除冗余特征.在CWRU数据集上的实验结果表明,该方法在同工况下的预测精度高达100%,在变工况下的平均预测精度高达99.03%,域适应性强.
故障诊断、小波变换、CLAHE、残差网络、特征增强
49
TP391.9(计算技术、计算机技术)
国防基础科研基金JCKY2020605C003
2023-05-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
895-901