10.13465/j.cnki.jvs.2021.24.003
基于多尺度特征融合残差神经网络的旋转机械故障诊断
轴承、齿轮等旋转部件常在复杂工况下运行,环境噪声干扰大,导致故障特征微弱而难以准确诊断.基于此,该研究提出一种新的多尺度特征融合残差块(multi-scale feature fusion residual block,MSFFRB)设计方法,基于此构建了一维残差神经网络用于旋转机械故障诊断.该模型能够将不同尺度的网络卷积层级联在一起提取多尺度特征信息,在残差块内部实现了多尺度特征信息的有效融合,兼顾了残差网络跨层恒等映射与多尺度特征提取的优势,克服了传统卷积操作只能提取单一尺度特征信息的缺点.所构建的残差神经网络可以直接输入样本数据,不需要进行任何数据预处理,而且模型结构具有较高的灵活性,易于扩展.试验分析表明,所提网络可有效用于旋转机械的故障诊断,相比传统CNNs、ResNets、1D-LeNets、1D-AlexNets、MC-CNNs等5种当前常用网络,具有更好的抗噪性能,故障分类准确率更高,这为旋转机械故障诊断提供了一种新的途径.
旋转机械;故障诊断;残差神经网络;多尺度特征融合
40
TH17
国家自然科学基金;国家自然科学基金;河北省自然科学基金;北京市重点实验室研究基金资助课题;河北省三三三人才工程资助项目
2022-01-12(万方平台首次上网日期,不代表论文的发表时间)
共8页
22-28,35