机床与液压

作者：邓兴超，张清华，朱冠华，邓立伟，杜杰宾

单位：广东石油化工学院自动化学院;吉林化工学院信息与控制工程学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院；吉林化工学院信息与控制工程学院；吉林化工学院信息与控制工程学院

关键词：故障诊断;数据增强;迁移学习;轻量化

基金：国家自然科学基金重点项目（61933013）

为了在计算量有限的平台上实现对轴承故障的准确和实时诊断，提出一种基于轻量化Mobilenet V3模型结合数据增强和迁移学习技术的轴承故障诊断方法。将一维振动信号通过连续小波变换转换为二维时频图，以更好地揭示信号的时频特性;采用数据增强技术对时频图进行图像增强，并将它作为网络模型的输入，进一步提高模型的鲁棒性和泛化性能;最后，通过迁移学习调整网络模型，有效减少模型的训练迭代次数，提高诊断精度。采用所提方法在凯斯西储大学数据集上进行了实验验证。实验结果表明：所提方法在源域下达到了100%的诊断精度，诊断时间为41.3 ms，模型大小为16.3 MB，相比同类型中最优的网络模型，其精度提高了0.437%；在不同信噪比的噪声下，平均诊断精度仍达到97.406%;在跨域实验中，平均准确率达到了98.188%，比同水平中最优的模型提高了1.563%。综合考虑诊断精度、诊断时间、模型大小、抗噪性和泛化性等指标，所提方法可以实现对轴承故障的准确诊断和实时响应。

来源：2024年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第16期