基于柔性残差神经网络的滚动轴承智能故障诊断方法

摘要

滚动轴承作为旋转机械的重要组成部分，其正常运行直接影响机器的使用寿命和运行状态.为了提高滚动轴承故障诊断的准确性，本文提出一种基于动态减法平均优化器（DSABO）和平行注意力模块（PAM）的柔性残差神经网络（FResNet），用于滚动轴承故障诊断.具体而言，首先设计一种基于卷积神经网络的柔性残差模块来构建FResNet.该模块允许在DSABO迭代时更改卷积层数、卷积核数和跳跃连接数，从而增强网络故障特征提取能力并减少网络退化.其次，设计具有卷积层的PAM来融合通道注意力和空间注意力输出权重，通过与滚动轴承运行数据结合，实现数据特征增强.于是，DSABO、PAM和FResNet的集成形成了一个有效的滚动轴承故障诊断模型，命名为DSABO-PAM-FResNet.最后，利用美国凯斯西储大学滚动轴承故障数据集验证所提DSABO-PAM-FResNet模型的可行性和有效性.结果显示，在信噪比为–6 dB环境下所提模型对滚动轴承故障诊断的准确率为97.18%，证明所提模型具有较好的抗噪能力；在0.75 kW、1.5 kW和2.25 kW不同负载条件下，所提模型对滚动轴承故障诊断的平均准确率为98.2%，证明所提模型具有良好的变工况诊断适应能力.与其他智能故障诊断方法的对比结果表明，所提DSABO-PAM-FResNet模型的诊断精度更高，为滚动轴承故障诊断提供了一种新的有效智能方法.

关键词

轴承故障诊断 / 柔性残差神经网络 / 动态减法平均优化器 / 平行注意力模块 / 噪声干扰

基金资助

国家自然科学基金资助项目（62303217,62373184,62333010）; 中国博士后科学基金资助项目（2024M751977）; 江苏省自然科学基金资助项目（BK20211502）; 江苏省高等学校自然科学基金资助项目（23KJB510006）