-
题名基于柔性残差神经网络的滚动轴承智能故障诊断方法
- 1
-
-
作者
陈闯
李先锋
史建涛
岳冬冬
-
机构
南京工业大学电气工程与控制科学学院
上海交通大学电子信息与电气工程学院
-
出处
《工程科学学报》
北大核心
2025年第3期480-488,共9页
-
基金
国家自然科学基金资助项目(62303217,62373184,62333010)
中国博士后科学基金资助项目(2024M751977)
+1 种基金
江苏省自然科学基金资助项目(BK20211502)
江苏省高等学校自然科学基金资助项目(23KJB510006)。
-
文摘
滚动轴承作为旋转机械的重要组成部分,其正常运行直接影响机器的使用寿命和运行状态.为了提高滚动轴承故障诊断的准确性,本文提出一种基于动态减法平均优化器(DSABO)和平行注意力模块(PAM)的柔性残差神经网络(FResNet),用于滚动轴承故障诊断.具体而言,首先设计一种基于卷积神经网络的柔性残差模块来构建FResNet.该模块允许在DSABO迭代时更改卷积层数、卷积核数和跳跃连接数,从而增强网络故障特征提取能力并减少网络退化.其次,设计具有卷积层的PAM来融合通道注意力和空间注意力输出权重,通过与滚动轴承运行数据结合,实现数据特征增强.于是,DSABO、PAM和FResNet的集成形成了一个有效的滚动轴承故障诊断模型,命名为DSABO-PAM-FResNet.最后,利用美国凯斯西储大学滚动轴承故障数据集验证所提DSABO-PAM-FResNet模型的可行性和有效性.结果显示,在信噪比为–6 dB环境下所提模型对滚动轴承故障诊断的准确率为97.18%,证明所提模型具有较好的抗噪能力;在0.75 kW、1.5 kW和2.25 kW不同负载条件下,所提模型对滚动轴承故障诊断的平均准确率为98.2%,证明所提模型具有良好的变工况诊断适应能力.与其他智能故障诊断方法的对比结果表明,所提DSABO-PAM-FResNet模型的诊断精度更高,为滚动轴承故障诊断提供了一种新的有效智能方法.
-
关键词
轴承故障诊断
柔性残差神经网络
动态减法平均优化器
平行注意力模块
噪声干扰
-
Keywords
bearing fault diagnosis
flexible residual neural network
dynamic subtraction average based optimizer
parallel attention module
noise interference
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
