一种具有强抗噪性的深度学习故障诊断模型

作者：吴春志; 吴守军; 冯辅周^*; 朱俊臻

来源：西安交通大学学报, 2021, 55(04): 61-68.

• 故障诊断
• 卷积神经网络
• 降噪
• 齿轮箱

针对旋转机械运行环境噪声大,现有的基于深度学习的故障诊断模型抵抗强噪声干扰能力不足的问题,提出了一种具有强抗噪性的深度学习故障诊断模型(HAT-MSCNN)。首先将齿轮箱训练集正常状态下样本的频谱信号由大到小排列,取排序的第k个的幅值α为基准值,将训练集中所有样本的频谱信号低于α的值置0,降低了易与噪声耦合的低幅值频率成分对诊断模型的干扰,突出了高幅值频率成分对故障诊断模型的贡献,同时保留零值所在的位置信息。然后将经过此处理的训练集输入到由多种移动步长卷积核组合的多尺度卷积神经网络中进行训练,最终得到强抗噪性的故障诊断模型。以精确率和召回率的调和平均值F作为模型的评价指标,并使用加权梯度类激活映射方法可视化模型的分类权重,在具有丰富故障模式的PHM2009齿轮箱数据集上验证模型。将所提模型与以原始振动信号作为输入的Raw-MSCNN模型、以频谱信号作为输入的Frequency-MSCNN模型、以集合经验模态分解(EEMD)降噪后的信号作为输入的EEMD-MSCNN模型和以所提训练集样本构造方法处理后的信号作为输入的HAT-CNN模型进行对比,结果表明,所提模型在测试集信噪比为-4dB时,诊断的F值为98.6%,比第二名的Frequency-MSCNN高了6.4%,在更强噪声干扰的测试集信噪比为-6dB时,F值为89.1%,比Frequency-MSCNN高了10.9%,证明了所提的HAT-MSCNN模型具有在强噪声干扰下的抗噪能力。

• 单位
  中国人民解放军装甲兵工程学院