基于MSDS-CNN的滚动轴承故障诊断方法

作者：王秀芳; 李月明

来源：吉林大学学报(信息科学版), 2022, 40(03): 354-361.

DOI：10.19292/j.cnki.jdxxp.20220525.001

• 深度可分离卷积
• 多尺度
• 故障诊断
• 轻量化
• 电机轴承

针对传统故障诊断模型存在参数量多、尺寸大、抗噪性差的问题，提出一种基于多尺度深度可分离卷积神经网络(MSDS-CNN:Multi-Scale Depth Separable Convolutional Neural Network)的轴承故障诊断方法。利用不同尺度的深度可分离卷积对输入信号进行并行处理，在获得多尺度信息的同时并保证模型的轻量性。添加Dropout层以提高模型的抗干扰能力，使用全局平均池化层替换全连接层以减小模型参数量。试验结果表明，该方法诊断准确率高达99.6%,与其他方法相比识别准确率高；模型参数量更少、尺寸更小，更轻量化；在噪声干扰下也具有较好的诊断精度。

• 单位
  东北石油大学