基于一维轻量化CNN的山地索道轴承故障诊断

• Published in: 农业工程学报 Vol. 39; no. 14; pp. 70 - 79
• Main Authors: 段洁利, 于世伟, 解明坤, 何俊宇, 王豪杰, 李伟希, 杨洲
• Format: Journal Article
• Language: Chinese
• Published: 华南农业大学工程学院,广州 510642 01.07.2023; 广东海洋大学机械工程学院,湛江,524088; 岭南现代农业科学与技术广东省实验室,广州 510600%华南农业大学工程学院,广州 510642%华南农业大学工程学院,广州 510642; 岭南现代农业科学与技术广东省实验室,广州 510600
• Subjects: fault diagnosis; 故障诊断; 振动; bearing; 轴承; depth separable convolution; 山地果园索道; vibration; 深度可分离卷积; 轻量化; mountain orchard ropeway; lightweight
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202304173

S229+1%S24; 为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN(one-dimensional mountain ropeways lightweight convolutional neural network),直接对采集到的一维振动信号进行检测.基于残差结构(residual structure)和深度可分离卷积(deep separable convolution),引入BN(batch normalization)层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制(squeeze and excitation,SE),提高网络模型的特征提取能力.为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩大学(paderborn university,PU)和凯斯西储大学(case western reserve university,CWRU)数据集进行试验验证.PU数据集试验结果表明,该方法故障分类准确率达 99.43%,相比同类最优网络分类准确率提高 0.97个百分点;参数量为 83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的 2.19%、0.83%、2.84%和 3.32%.CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达 96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高 9.1、4.7和 10.5个百分点;在 4种噪声工况下的平均识别准确率达 99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高 4.74、1.24和 5.51个百分点.最后通过自建数据集对模型的实际工况故障分类效果进行验证,1400个样本中仅有 2个故障样本预测错误,准确率达99.86%.本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测.