多特征融合的滚动轴承故障诊断

S237%TH133.3; 针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-SwinT滚动轴承故障诊断方法.首先,在数据处理模块中利用连续小波变换(continuous wavelet transform,CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks,MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 13; pp. 80 - 88
Main Authors 赵小强, 郭海科
Format Journal Article
LanguageChinese
Published 兰州理工大学电气工程与信息工程学院,兰州 730050 01.07.2023
兰州理工大学国家级电气与控制工程实验室教学中心,兰州 730050%兰州理工大学电气工程与信息工程学院,兰州 730050
甘肃省工业过程先进控制重点实验室,兰州 730050
Subjects
小波变换
滚动轴承
fault diagnosis
特征融合
feature fusion
故障诊断
wavelet transform
rolling bearing
residual connections
variable working conditions
变工况
残差连接
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202302116

Cover

More Information
Summary:S237%TH133.3; 针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-SwinT滚动轴承故障诊断方法.首先,在数据处理模块中利用连续小波变换(continuous wavelet transform,CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks,MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module,CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别.使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为 99.67%,在变工况试验中的故障识别准确率为 95.01%～99.66%,不同编码方式试验中的故障识别准确率为 100%.在自制数据集中,故障诊断准确率达到 99.18%.与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-SwinT相比,本文方法在变工况条件下的平均故障识别准确率分别提高 8.79、8.64、3.49和 3.18个百分点,在自制数据集中分别提高 5.23、2.74、1.40和 1.26个百分点.本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202302116