科研之友
微信
新浪微博
Facebook
分享链接
摘要
轴承的健康状态对于雷达驱动结构以及直升机传动机构等旋转机械的正常运作至关重要，针对滚动轴承工况复杂，存在噪声，振动信号各故障标签样本不足且不平衡的特点，基于扰动训练样本的可变形卷积和深度残差块结构，提出了一种改进一维卷积神经网络的滚动轴承故障诊断方法。通过设置可变形卷积提高对故障局部特征提取的能力，引入改进的深度残差块来提高模型的泛化能力和对训练数据的敏感性，在加入训练数据时，通过设置训练扰动层加入扰动样本，提升模型的鲁棒性。以凯斯西储大学轴承数据集为实验数据集，分割训练集和测试集，实验结果证明了所提方法的有效性，TD-DCCNN算法在信噪比为0的情况下仍可以达到90.35%的平均准确率，与其他诊断算法相比有一定的优越性。
- 单位
