改进MoblieNet网络在轴承轻量化诊断中的应用.pdfVIP

改进ＭｏｂｌｉｅＮｅｔ网络在轴承轻量化诊断中的应用

摘要：近年来，基于神经网络的故障诊断方法在诊断的准确性、效率等方面展现出巨大的优势，然而

呈指数增长的模型参数量限制了神经网络在工程实际中的应用。针对这一问题，本文提出了一种

基于一维卷积神经网络改进的ＭｏｂｉｌｅＮｅｔ网络用于实现滚动轴承的故障诊断；改进的网络能够直

接应用于一维振动信号，有效降低系统硬件资源的要求，实现网络的轻量化部署；使用西储大学轴

承数据集和ＱＰＺＺ⁃Ⅱ型故障模拟试验台数据集对所提方法进行验证，本文提出的模型准确率均达

９９．８％以上，参数量为标准卷积神经网络的１／２。本文所提方法为在轻资源嵌入式系统中实现智能

诊断提供了一种新的方法和思路。

关键词：滚动轴承；故障诊断；神经网络；ＭｏｂｉｌｅＮｅｔ

ＡｐｐｌｉｃａｔｉｏｎｏｆＩｍｐｒｏｖｅｄＭｏｂｉｌｅＮｅｔＮｅｔｗｏｒｋｉｎ

ＢｅａｒｉｎｇＬｉｇｈｔｗｅｉｇｈｔＤｉａｇｎｏｓｉｓ

Ａｂｓｔｒａｃｔ：Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｓｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｓｈａｖｅｓｈｏｗｎｇｒｅａｔａｄｖａｎｔａｇｅｓｉｎｔｈｅ

ａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｄｉａｇｎｏｓｉｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｅｘｐｏｎｅｎｔｉａｌｌｙｉｎｃｒｅａｓｉｎｇｎｕｍｂｅｒｏｆｍｏｄｅｌｐａｒａｍｅｔｅｒｓｌｉｍｉｔｓｔｈｅ

ａｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓｉｎｅｎｇｉｎｅｅｒｉｎｇｐｒａｃｔｉｃｅ．Ａｉｍｉｎｇａｔｔｈｉｓｐｒｏｂｌｅｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍｐｒｏｖｅｄ

ＭｏｂｉｌｅＮｅｔｎｅｔｗｏｒｋｂａｓｅｄｏｎｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ．

Ｔｈｅｉｍｐｒｏｖｅｄｎｅｔｗｏｒｋｃａｎｂｅｄｉｒｅｃｔｌｙａｐｐｌｉｅｄｔｏｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ，ｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｉｎｇｔｈｅ

ｒｅｑｕｉｒｅｍｅｎｔｓｏｆｓｙｓｔｅｍｈａｒｄｗａｒｅｒｅｓｏｕｒｃｅｓａｎｄｒｅａｌｉｚｉｎｇｌｉｇｈｔｗｅｉｇｈｔｄｅｐｌｏｙｍｅｎｔｏｆｔｈｅｎｅｔｗｏｒｋ；Ｔｈｅｐｒｏｐｏｓｅｄ

ｍｅｔｈｏｄｉｓｖａｌｉｄａｔｅｄｕｓｉｎｇｔｈｅＷｅｓｔｅｒｎＲｅｓｅｒｖｅＵｎｉｖｅｒｓｉｔｙｂｅａｒｉｎｇｄａｔａｓｅｔａｎｄｔｈｅＱＰＺＺ⁃Ⅱｆａｕｌｔｓｉｍｕｌａｔｉｏｎｔｅｓｔ

ｂｅｎｃｈｄａｔａｓｅｔ．Ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｉｓｍｏｒｅｔｈａｎ９９．８％，ａｎｄｔｈｅｎｕｍｂｅｒｏｆｐａｒａｍｅｔｅｒｓ

ｉｓ１／２ｏｆｔｈｅｓｔａｎｄａｒｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｍｅｔｈｏｄｐｒｏｐｏｓｅｄｐｒｏｖｉｄｅｓａｎｅｗｗａｙｆｏｒｒｅａｌｉｚｉｎｇ

ｉｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓｉｎｌｉｇｈｔ⁃ｒｅｓｏｕｒｃｅｅｍｂｅｄｄｅｄｓｙｓｔｅｍｓ．

Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ＭｏｂｉｌｅＮｅｔ

收稿日期：２０２4１１３０近年来，随着智能制造的深入，机械设备的状态

监测在国家的先进装备制造业中起着举足轻重的作

用，其通过对关键部件的状态监测与评估来保证设

３２机械科学与技术第４３卷

备的可靠与安全运行。滚动轴承作为旋转设备的核现轻量化部署。综上所述，以深度学习为代表的智

心部件，其状态直接决定