双通道交叉密集连接的滚动轴承故障诊断.pdfVIP

2025年2月机

械

科

学

与

技

术February2025

第44卷第2期Mechanical

Science

and

Technology

for

Aerospace

EngineeringVol.

44No.

2

王庆荣，王媛，朱昌锋,

等.

双通道交叉密集连接的滚动轴承故障诊断[J].

机械科学与技术，2025，44（2）：262-270

双通道交叉密集连接的滚动轴承故障诊断

王庆荣，王媛，朱昌锋，周禹潼1121

（1.

兰州交通大学

电子与信息工程学院，兰州730070；2.

兰州交通大学

交通运输学院，兰州730070）

摘要：针对传统卷积网络学习关键故障能力不足、诊断准确率低下的问题，提出一种融合并行

ECA模块的双通道交叉密集连接故障诊断模型（DCCNN）。该模型在密集连接网络的基础上搭建

双通道结构，设计了多卷积残差模块和多尺度密集连接网络对故障特征进行提取，实现故障信息的

交互与整合；网络内嵌并行通道注意模块，通过通道注意力机制重赋权重，形成的多权重特征能够

从多个角度抑制噪声以及无关信号的干扰；最后在凯斯西储大学的轴承数据和齿轮数据上进行训练；实

验结果表明：轴承故障识别准确率为99.31%，验证了模型具有自适应诊断能力；在噪声和负载的工况

环境中，网络模型也保持较好的诊断性能，相比于其他方法，所提方法具有良好的泛化性和抗噪性。

关键词：密集连接网络；注意力机制；故障诊断；残差模块

中图分类号：TP183文献标志码：A

DOI：10.13433/ki.1003-8728文章编号：1003-8728（2025）02-0262-09

FaultDiagnosisofRollingBearingswithTwo-channel

Cross-denseConnection

1121

WANG

Qingrong，WANG

Yuan，ZHU

Changfeng，ZHOU

Yutong

(1.

School

of

Electronic

and

Information

Engineering,

Lanzhou

Jiaotong

University,

Lanzhou

730070,

China；

2.

School

of

Transportation,

Lanzhou

Jiaotong

University,

Lanzhou

730070,

China)

Abstract：To

address

the

problems

for

traditional

convolutional

networks

having

inadequate

learning

capability

of

critical

faults

and

low

diagnostic

accuracy,

a

dual-channel

cross-densely

connected

fault

diagnosis

model

(DCCNN)

incorporating

parallel

ECA

modules

is

proposed,

which

builds

a

dual-channel

structure

on

the

basis

of

a

densely

connected

network,

designs

a

multi-

convolutional

residual

module

and

a

multi-scale

densely

connected

network

to

extract

fault

features

and

realize

the

inte