结合CWT和LightweightNet的滚动轴承实时故障诊断方法

摘要: 针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题，提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先，使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换，提取出时频域特征并将一维信号转换成二维图片；然后，结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类，LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明，本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度，基本可以实现滚动轴承的实时故障诊断，且在内存消耗与模型存储占用空间方面远小于其他同类方法。

• 关键词: 
• 滚动轴承  /  
• 故障诊断  /  
• 连续小波变换  /  
• 时频域特征  /  
• 轻量级神经网络  /  
• 分组卷积  /  
• 通道混洗  /  
• 倒残差结构  

作为现代工业的重要组成部分，滚动轴承广泛应用在军工、制造和交通运输等各个领域[1]。由于在各种机械中使用广泛且最易磨损，一旦发生故障则会对整个机械的稳定运行带来巨大的威胁，因此对其进行快速、有效的故障诊断可以极大地保证整个机械系统的稳定运行，避免突发故障引起的各种事故和损失。而对于滚动轴承的故障诊断，现代化的解决方案是利用传感器技术和人工智能算法对其进行基于状态的维护，这其中智能故障诊断在其中扮演着关键的角色。

智能故障诊断一般分为3个步