基于多尺度ResNet-LSTM的滚动轴承故障诊断

摘要

针对滚动轴承在强噪声环境中故障特征微弱及工况复杂多变的问题，提出一种基于多尺度残差神经网络（MResNet）与长短期记忆网络（LSTM）结合的故障诊断方法。首先，使用自适应噪声完备集合经验模态分解（CEEMDAN）对振动信号进行分解，将自相关系数大于0.2的分量进行重构，实现信号去噪；其次，在多尺度残差块间引入dropout层，以防止网络过拟合，并结合LSTM强大的时间序列信息捕获能力来提高轴承故障诊断的精度；最后，利用机械综合模拟实验平台的轴承数据进行实验验证，结果表明，本方法具有较高的诊断准确率和诊断精度。为了模拟旋转机械设备现实的工作环境，将高斯白噪声加入轴承诊断信号中，本方法在-2、-4 dB信噪比下，诊断准确率分别为91.13%、89.72%，高于WKCNN、WDCNN、ResNet18等对比方法。实验结果表明，在信号受到严重噪声污染时，本方法依然有较强的诊断能力。

关键词

多尺度残差网络 / 长短期记忆网络 / 自适应噪声完备集合经验模态分解 / 振动信号 / 故障诊断