融合多小波分解的深度卷积神经网络轴承故障诊断方法

摘要

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题，提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合，即设计多个一级多小波分解层以提取信号的低频分量和高频分量，再将多个一级多小波分解层与卷积层交替联接，使模型能够多尺度地提取并学习信号有用的时频域信息，信号分解和特征学习交替执行，进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试，结果表明：所提模型训练时能够快速达到稳定收敛，并且识别准确率均能达到99.9%以上；提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法，验证了其优秀的抗噪声干扰能力；在少训练样本测试中，提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

关键词

多小波分解 / 卷积神经网络 / 深度学习 / 轴承故障诊断

基金资助

国家重点研发计划资助项目(2019YFB2004400)