机床与液压

作者：赵志宏，吴冬冬

单位：省部共建交通工程结构力学行为与系统安全国家重点实验室;石家庄铁道大学信息科学与技术学院；石家庄铁道大学信息科学与技术学院

关键词：孪生网络;故障诊断;滚动轴承;小样本;特征提取

基金：国家自然科学基金面上项目（11972236）

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用 L1 距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络（CNN）与长短期记忆网络（LSTM）扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%，孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。

来源：2023年第22期

《机床与液压》期刊编辑部

查看机床与液压杂志2023年第22期