基于GADF和CWT并行输入模型的滚动轴承智能诊断研究

摘要

滚动轴承运行工况的变化与噪声干扰等随机不确定性因素会导致网络特征提取不完整，从而无法捕捉故障突变等局部奇异信息.针对上述问题，提出一种并行二维深度可分离残差神经网络（parallel two-dimensional depthwise separable residual neural network, P2DDSResNet）模型，通过格拉姆角分场（Gramian angular difference field,GADF）和连续小波变换（continuous wavelet transform,CWT）将振动信号转变为二维时频图像，保留了完整的时频域信息.采用深度可分离卷积替代残差模块中的普通卷积，增强特征学习能力，从而使模型具有更强的特征提取能力，以解决在高噪声和变工况环境中故障诊断效果不佳的问题.采用滚动轴承故障模拟试验台获取的数据对其进行试验分析并与其他卷积神经网络方法对比，结果表明，优化后的算法模型具有良好的泛化性和准确率.

关键词

故障诊断 / 深度可分离卷积 / 滚动轴承 / 残差神经网络 / 特征提取

基金资助

陕西省自然科学基础研究计划项目（2021M-169,2023-JC-YB-477）