一种基于新型轻量级神经网络的滚动轴承故障诊断方法.pdfVIP

一种基于新型轻量级神经网络的滚动轴承故障诊断方法.pdf

机械工程师

MECHANICALENGINEER

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（TwoWideKernel

ConvolutionalNeuralNetwork,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）

Abstract:Withthetechnologicalprogressofsensorsandthereductionofproductioncosts,theacquisitionoffaultdataof

rollingbearingscanbegeometricallymultiplied.However,whenprocessingmassivedata,traditionaldeeplearning

methodsoftenhaveproblemsoflowefficiency,largeamountofcomputationandmemoryconsumption.Inordertosolve

theseproblems,atwo-wideKernelConvolutionalNeuralNetwork(TWCNN)modelisproposedforrollingbearingfault

diagnosis.Themodeltakesone-dimensionalvibrationsignalsasinput(1D-TWCNN),anduseswideconvolutionkernelsin

thefirsttwoconvolutionlayerstoextractfeatures,soitcanobtainlargerreceptivefieldswithfewerparameters.Inthis