机床与液压

作者：杜康宁，宁少慧

单位：太原科技大学机械工程学院；太原科技大学机械工程学院

关键词：复合故障诊断;迁移学习;ConvNeXt卷积神经网络; Grad-CAM方法

基金：山西省应用基础研究计划资助（201901D111239）

针对现有故障诊断方法多是面向单一故障进行研究，对于实际工况下的复合故障缺乏相应的诊断方法，提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集，以提高复合故障样本的利用率；利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重，通过格拉姆角场将一维信号转换为RGB图像输入模型，训练模型剩余权重；最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化，分析网络诊断错误起因并对网络进行调整；将训练准确率最高的模型用于滚动轴承故障实测，检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度，它不仅在混叠故障诊断中表现突出，在单一故障诊断中也具有优势，能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。

来源：2023年第13期

《机床与液压》期刊编辑部

查看机床与液压杂志2023年第13期