滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense bl...滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.44%,相比其他模型有更高的准确率、更快的收敛速度和更强的抗干扰能力。引入稠密连接核心思想对网络结构的改进可为基于数据驱动的风电机组滚动轴承故障诊断方法提供新思路。展开更多
基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(l...基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(long short term memory,LSTM)网络和深度残差收缩网络(deep residual shrinkage network,DRSN),设计了时序深度残差收缩网络模型,其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值,LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明,所提方法识别精度优于5种典型方法,在高信噪比下的平均识别分类准确率可以达到92.7%;21种混叠信号中有12种识别准确率接近100%。展开更多
文摘滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.44%,相比其他模型有更高的准确率、更快的收敛速度和更强的抗干扰能力。引入稠密连接核心思想对网络结构的改进可为基于数据驱动的风电机组滚动轴承故障诊断方法提供新思路。
文摘基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(long short term memory,LSTM)网络和深度残差收缩网络(deep residual shrinkage network,DRSN),设计了时序深度残差收缩网络模型,其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值,LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明,所提方法识别精度优于5种典型方法,在高信噪比下的平均识别分类准确率可以达到92.7%;21种混叠信号中有12种识别准确率接近100%。
