基于一维深度可分离卷积的轻量化轴承故障诊断

作者：刘辉; 李阳; 侯一民^*

来源：哈尔滨理工大学学报, 2023, 1-8.

• 故障诊断
• 卷积神经网络
• 模型轻量化
• 振动

轴承是旋转机械最基础的元件，对其状态的精准监测是确保旋转机械安全、稳定、健康运行的关键。近年来，卷积神经网络(Convolutional Neural Networks， CNN)凭借其优异的性能，而在轴承故障诊断领域中倍受学者青睐。然而，受制于部署成本的因素，许多优秀的具有较大参数的诊断方法难以直接用于工业现场。因此有必要在保障模型诊断精度的条件下，研发参数量更低的轻量化诊断方法。基于此目标，本文首先分析对比分析了一维卷积网络(Conv1D)和二维卷积网络(Conv2D)在用于具体故障诊断任务时，诊断性能随模型深度和宽度变化的关系；然后，基于深度可分离卷积(Depthwise Separable Convolution， DSC)压缩了Conv1D模型的参数量以实现轻量化故障诊断的目的，从而构建了一个DSC1D基模型；最后，在自采数据上论证了所提出的方法的有效性和优越性，实验结果表明，相比于传统的Conv1D，构建的DSC1D基模型能够凭借更低的参数量完成高精度的故障诊断任务。

• 单位
  东北电力大学