机械工程学报

作者：卞文彬, 邓艾东, 刘东川, 赵敏, 刘洋, 李晶

单位：1. 东南大学大型发电装备安全运行与智能测控国家工程研究中心 南京 210096;2. 东南大学能源与环境学院 南京 210096;3. 南京审计大学信息工程学院 南京 211815

关键词：滚动轴承,故障诊断,改进深度残差收缩网络,denseblock,注意力机制；

基金：国家自然科学基金(51875100，52005267)、江苏省重点研发计划(BE2020034)和江苏省博士后科研资助计划(2020Z285)资助项目。

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。

来源：2023年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第12期