科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统故障诊断模型存在尺寸大、抗噪性能不佳、检测时间长、不适用于在线实时诊断的问题，提出一种基于压缩扩张深度可分离卷积神经网络(Squeeze and Expand Depth Separable Convolutional Neural Network,SEDSCNN)的轴承故障诊断方法，利用深度可分离卷积层和全局平均池化层代替标准卷积层和全连接层，以降低模型参数数量及运算量；引入Dropout层，以提高模型抗噪能力和避免发生过拟合。设计基于Jetson Nano和由信号采集处理电路构成的嵌入式系统。采用模型尺寸、诊断时间、诊断精度作为评价指标对模型进行评估，试验结果表明：该模型能够快速、准确地实现电机轴承故障实时诊断，诊断精度高达99.9%；与传统故障诊断方法相比，所提方法更轻量化，具有更好的抗噪能力和更快的诊断速度。
- 单位
