MAB-DrNet:基于改进的扩展卷积神经网络的轴承故障诊断方法

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 滚动轴承故障诊断对于制造设备安全至关重要.
• 噪音环境会降低现有的深度学习故障诊断方法的性能.
• 轴承信号中的非线性特征使准确的故障检测变得复杂.

研究的目的:

• 提出一个改进的深度学习模型,用于在杂的环境中进行故障诊断.
• 为了提高特征提取和全球信息处理能力,以提高准确性.
• 为可靠的故障识别开发一种耐噪声的方法.

主要方法:

• 设计了一个扩展的残余网络 (DrNet),以扩大特征捕获的感知场.
• 开发了一个最大平均块 (MAB) 模块来增强特征提取.
• 集成了一个全球残留区块 (GRB) 模块,以改进全球信息处理.

主要成果:

• 拟议的MAB-DrNet在CWRU数据集上显示出强大的噪声免疫力.
• 在 -6 dB SNR 时增加高斯白噪声,达到95.57%的准确性.
• 在噪音大的轴承故障诊断方面,超越了现有的先进方法.

结论:

• MAB-DrNet为滚动轴承故障诊断提供了一个高度准确和耐噪声的解决方案.
• 该模型有效处理复杂的噪音环境,提高设备的可靠性.
• 集成MAB和GRB模块显著提高了诊断性能.