科研之友
微信
新浪微博
Facebook
分享链接
摘要
旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象，同时含噪数据样本也会使模型故障诊断正确率偏低，数据样本不平衡会引起模型训练具有倾向性，针对以上一系列问题，提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先，对多故障、长时间序列数据样本进行了矩阵化处理，得到了模型容易接受的多维度灰度图故障样本；针对旋转机械从正常状态到故障状态的机械老化过程，采用了多点随机采样方法，构建了全寿命周期数据样本，用于后续的故障诊断；然后，在卷积神经网络(CNN)的基础上，通过引入残差项、注意力机制和焦点损失函数，构建起了多层深度残差收缩网络，对旋转机械进行了故障诊断(其中，残差项降低了训练过程中样本数据的特征损失，避免了模型的退化和过拟合；注意力机制和软阈值化自动设置噪声阈值，降低了噪声对故障诊断精度的影响；焦点损失函数修正了模型训练的倾向性，提高了模型训练效率和灵敏性);最后，利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明：DRSN模型在训练过程中没有出现明显的退化现象，能够始终保持较高的训练效率和故障诊断精度，有效避免了噪声干扰，在不平衡数据集上修正了模型训练的倾向性。与其他模型相比较，DRSN多层模型的平均故障诊断精度提高约1%～6%。
-
单位三江学院
