关键词:
故障诊断
通道和空间重组卷积
渐进式卷积神经网络
鲁棒性
摘要:
由于在实际工程中采集到的故障振动数据可能会伴随噪声,传统的诊断模型难以识别故障类别,针对此问题,提出一种基于通道和空间重组卷积与渐进式卷积神经网络(Channel and Spatial Reconstruction and Progressive Convolutional Neural Networks,CSRP-CNN)的滚动轴承故障诊断研究方法。所提模型利用通道和空间重组卷积(Channel and Spatial Reconstruction Convolution,CSConv)减少故障特征中通道和空间的冗余信息,降低复杂性和计算量以提高性能;使用卷积注意力模块(Convolutional Block Attention Module,CBAM)在通道和空间维度进行注意力增强操作,使模型关注重要的故障特征信息;在网络浅层采用渐进式卷积网络结构,将之前的故障特征信息与当前的输入进行融合,获取更加丰富的特征信息。通过凯斯西储大学(Case Western Reserve University,CWRU)和机械故障综合模拟试验平台(Machinery Fault Simulator Magnum,MFS-MG)两种不同的数据集对CSRP-CNN进行性能评估。经过噪声测试和消融试验,验证了CSRP-CNN具有较强的鲁棒性,以及CSConv、CBAM和渐进式卷积神经网络(Progressive Convolutional Neural Network,PCNN)对所提模型抗噪性能的影响。