摘要
针对现有卷积神经网络无法充分提取滚动轴承时域信号间的关联特征、模型训练所需样本多和泛化性不足的问题,提出一种基于增强卷积神经网络模型的滚动轴承多工况故障诊断方法。根据滚动轴承转速和采样频率计算轴承单圈故障特征信号长度,采用格拉姆角场编码技术对单圈时域信号完整信息进行编码生成相应特征图像,使神经网络在视觉上对时域信号关联特征进行学习;利用ACNet网络模型中的非对称卷积对ConvNeXt模型的7×7深度卷积层进行重构:即采用2个3×3,1个1×3和1个3×1的非对称小卷积核以多分支结构组合的形式重构其7×7卷积层,增强ConvNeXt模型的特征提取效率;对ConvNeXt模型中的数据增强模块及学习率衰减策略进行改进,提高ConvNeX模型在小样本训练下的泛化性,以此搭建增强深度卷积神经网络模型IConvNeXt。使用凯斯西储大学的不同故障直径、东南大学滚动轴承复合故障和加拿大渥太华变转速轴承故障数据集进行试验验证,结果表明:所提IConvNeXt模型对滚动轴承不同故障直径和复合故障识别率为100%,对变转速轴承故障识别率为99.63%。将所提方法与RP+ResNet,RP+IConvNeXt,MLCNN-LSTM,MTF+IConvNeXt等方法进行对比,结果表明,所提模型在更少样本训练下的故障诊断效果均优于其他方法并具有较强的泛化性能。
- 单位