基于卷积孪生神经网络的滚动轴承故障定位方法

摘要

在不同设备及不同工况的条件下,滚动轴承的振动数据分布存在差异,采用传统的深度学习模型难以应对数据集分布不一致的状况,针对这一问题,提出了一种基于卷积孪生神经网络的轴承故障定位方法。首先,选择孪生网络作为基本框架,对预处理后的设备数据进行了扩充,使之达到了数据增强的目的;然后,选择随机池化-ELU-CNN(SE-CNN)模型作为特征提取器,对设备运行数据进行了深度特征提取,利用反向传播算法更新模型参数,使模型的特征提取性能和分类性能达到了最优;最后,利用训练好的网络模型,通过集合两种数据集的混合数据集进行了实验,得到了滚动轴承的故障定位结果。研究结果表明:采用基于卷积孪生神经网络的轴承故障定位方法,其故障定位的各项评价指标均在95%以上,且其综合数据指标达到0.9863;与其他先进方法相比,在跨设备多工况下,该模型的故障定位准确度提高0.0246;模型能有效适应数据分布的差异性,且具备良好的泛化性能。