科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题，提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先，使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换，提取出时频域特征并将一维信号转换成二维图片；然后，结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类，LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明，本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度，基本可以实现滚动轴承的实时故障诊断，且在内存消耗与模型存储占用空间方面远小于其他同类方法。
- 单位
