一种基于新型轻量级神经网络的滚动轴承故障诊断方法.docxVIP

下载本文档

0
0
约1.06万字
约 4页
2026-01-15 发布于浙江
举报
版权申诉

一种基于新型轻量级神经网络的滚动轴承故障诊断方法.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

机械工程师MECHANICAL

机械工程师

MECHANICALENGINEER

机械工程师ME

机械工程师

MECHANICALENGINEER

PAGE59网址：

PAGE59

网址：电邮：hrbengineer@163.com圆园22年第11期

PAGE60圆园

PAGE60

圆园22年第11期网址：电邮：hrbengineer@163.com

一种基于新型轻量级神经网络的滚动轴承故障诊断方法

陈洪明，孟威，谭力，王建景，林群煦

（五邑大学轨道交通学院，广东江门529020）

摘要：近年来随着传感器的技术进步，使得滚动轴承的故障数据获取成几何倍数增长。然而，传统的深度学习方法在处理海量数据时，常常会出现效率低、计算量与占用内存过大的问题。为解决这些问题，文中提出了一个双层宽核卷积神经网络（TwoWideKernelConvolutionalNeuralNetwork,TWCNN）模型用于滚动轴承故障诊断。该模型以一维振动信号作为输入（1D-TWCNN），通过在前两个卷积层中采用宽卷积核提取特征，实现了以较少的参数来获取更大的感受野，因此大幅地减少了网络模型的连接参数，使得模型的计算量大幅减少，效率提升。与传统的优秀轻量化模型MobileNetV3

（Small）的变体和ShuffleNetV2相比，文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型。而且在滚动轴承的故障诊断中的诊断精度更高。

关键词：滚动轴承故障诊断；轻量化模型；宽卷积核；卷积神经网络

中图分类号:TH133 文献标志码:粤文章编号：员园园圆原圆猿猿猿（圆园22）11原园059原园4

ARollingBearingFaultDiagnosisMethodBasedonaNewLightweightNeuralNetwork

CHENHongming, MENGWei, TANLi, WANGJianjing, LINQunxu

（SchoolofRailTransportation,WuyiUniversity,Jiangmen529020,China）

Keywords:p t t a iAbstract:Withthetechnologicalprogressofsensorsandthereductionofproductioncosts,theacquisitionoffaultdataofrollingbearingscanbegeometricallymultiplied.However,whenprocessingmassivedata,traditionaldeeplearningmethodsoftenhaveproblemsoflowefficiency,largeamountofcomputationandmemoryconsumption.Inordertosolvetheseproblems,atwo-wideKernelConvolutionalNeuralNetwork(TWCNN)modelisproposedforrollingbearingfaultdiagnosis.Themodeltakesone-dimensionalvibrationsignalsasinput(1D-TWCNN),anduseswideconvolutionkernelsinthefirsttwoconvolutionlayerstoextractfeatures,soitcanobtainlargerreceptivefieldswithfewerparameters.Inthisway,theconnectionparametersofthenetworkmodelaregreatlyreduced,thecalculationamountofthemodelisgreatlyreduced,andtheefficiencyisimproved.ComparedwiththeexcellenttraditionallightweightmodelMobileNetV3(Small)variantandShuffleNetV2,the1D-TWCNNmodelproposedinthispaperno