一种抗噪声轴承故障诊断方法

作者：陈露萌; 李一鸣^*; 黄民

来源：北京信息科技大学学报(自然科学版), 2023, 38(02): 23-31.

DOI：10.16508/j.cnki.11-5866/n.2023.02.004

• 可微架构搜索
• 卷积神经网络
• 双向长短时记忆网络
• 轴承故障诊断
• 抗噪声

针对滚动轴承在噪声环境中故障诊断准确率低、诊断模型稳定性差等问题，提出了一种DARTS-CNN-BiLSTM故障诊断模型。首先，使用可微架构搜索(differentiable architecture search, DARTS)算法对卷积神经(convolutional neural network, CNN)网络进行结构寻优，以提升CNN对原始振动信号的深层特征挖掘能力和抗噪性能。然后，引入双向长短时记忆(bidirectional long-short term memory, BiLSTM)网络进一步提取信号的时序特征，提升模型的稳定性和鲁棒性。最后，通过全局平均池化和Softmax分类器完成故障分类。分别使用西储大学和渥太华大学公开数据集进行实验，结果表明，此模型平均诊断准确率可达98.38%以上，在添加不同信噪比大小的额外噪声条件下，该模型仍能保持较高的诊断准确率，与其他模型相比，具备更好的抗噪性和稳定性。

• 单位
  北京信息科技大学; 机电工程学院