基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究

作者：刘恒畅; 姚德臣^*; 杨建伟; 张骄

来源：振动与冲击, 2021, 40(10): 95-102.

DOI：10.13465/j.cnki.jvs.2021.10.013

• 滚动轴承
• 故障程度
• 抗噪性
• 卷积神经网络(CNN)
• 故障诊断

针对传统滚动轴承故障诊断方法存在抗噪性差、需要人工特征提取、计算量较大、对运行设备要求高的问题,提出一种基于多分支深度可分离卷积神经网络(MBDS-CNN)的滚动轴承故障诊断方法,利用深度可分离卷积和权重剪枝技术对模型尺寸进行压缩,通过多分支结构保证模型的精度,避免梯度消失现象的发生。使用模型尺寸、诊断精度、预测速度作为评价指标对模型进行评估。试验结果证明,基于多分支深度可分离卷积神经网络的滚动轴承故障诊断,可以在噪声环境下有效识别轴承不同部位故障程度,提高了诊断效率,降低了对运行设备性能的要求。

• 单位
  北京市地铁运营有限公司; 北京建筑大学