Fault diagnosis of mining rolling bearings based on Superlet Transform and OD-ConvNeXt-ELA
-
摘要:
针对现有矿用滚动轴承故障诊断方法存在特征提取能力有限、泛化性欠佳的问题，提出了一种基于超小波变换（SLT）与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法。以ConvNeXt−T为基础，引入批归一化（BN）技术以提高网络的泛化性，使用全维动态卷积（ODConv）替换原有的深度可分离卷积，以提高网络的适应性，引入高效局部注意力（ELA）以使网络聚焦关键位置特征，构建了矿用滚动轴承故障诊断OD−ConvNeXt−ELA网络模型；为充分利用OD−ConvNeXt−ELA网络模型的图像特征提取能力，选用SLT将采集的滚动轴承一维振动信号转换为二维时频图像后输入OD−ConvNeXt−ELA进行模型训练。选用凯斯西储大学（CWRU）和帕德博恩大学（PU）轴承数据集进行故障诊断实验，结果表明：对于单一工况下的CWRU轴承数据集，OD−ConvNeXt−ELA平均故障诊断准确率为99.65%，较ConvNeXt−T提高了1.61%；对于跨工况下的CWRU轴承数据集，OD−ConvNeXt−ELA平均故障诊断准确率为87.50%，较ConvNeXt−T提高了3.30%；对于跨工况下的PU轴承数据集，OD−ConvNeXt−ELA平均故障诊断准确率为89.33%，较ConvNeXt−T提高了3.46%；基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法在跨轴承、跨工况及噪声干扰下具有准确率高、泛化能力强的优势。
Abstract:In response to the limitations of current fault diagnosis methods for mining rolling bearings, which suffer from limited feature extraction capabilities and poor generalization, a fault diagnosis method based on Superlet Transform (SLT) and OD-ConvNeXt-ELA was proposed. Built upon ConvNeXt-T, Batch Normalization (BN) technology was introduced to improve the network's generalization ability. Omni-dimensional Dynamic Convolution (ODConv) replaced the original depthwise separable convolution to enhance the adaptability of the network. Efficient Local Attention (ELA) was incorporated to focus the network on key feature locations. This formed the OD-ConvNeXt-ELA network model for fault diagnosis of mining rolling bearings. To fully leverage the image feature extraction ability of the OD-ConvNeXt-ELA model, SLT was used to convert the collected one-dimensional vibration signal of the rolling bearing into a two-dimensional time-frequency image, which was then input into the OD-ConvNeXt-ELA for model training. Fault diagnosis experiments were conducted using the bearing datasets from Case Western Reserve University (CWRU) and Paderborn University (PU). The results showed that for the CWRU bearing dataset under a single operating condition, the average fault diagnosis accuracy of OD-ConvNeXt-ELA was 99.65%, which was an improvement of 1.61% over ConvNeXt-T. For the CWRU bearing dataset under cross-operating conditions, the average fault diagnosis accuracy of OD-ConvNeXt-ELA was 87.50%, which was an improvement of 3.30% over ConvNeXt-T. For the PU bearing dataset under cross-operating conditions, the average fault diagnosis accuracy of OD-ConvNeXt-ELA was 89.33%, an improvement of 3.46% over ConvNeXt-T. The fault diagnosis method based on SLT and OD-ConvNeXt-ELA shows high accuracy and strong generalization ability under cross-bearing, cross-operating conditions, and noise interference.
-
0. 引言
滚动轴承作为支撑旋转体和降低机械载荷摩擦因数的关键部件，在矿用机械中扮演着重要的角色。然而，在矿井灰尘污染、润滑不足及疲劳剥落等工作情况下，滚动轴承可能发生各种故障，进而影响矿用机械的正常工作，严重时还可能带来次生灾害，造成重大经济损失甚至人员伤亡。因此，研究准确率高、实用性强的矿用滚动轴承故障诊断方法，对保障矿用机械正常运行、降低经济损失和减少人员伤亡具有重要意义[1]。
矿用滚动轴承故障诊断方法需要考虑以下问题：① 跨工况。轴承的工作状况复杂多变，需要轴承故障诊断方法具有适应多工况的泛化能力。② 跨轴承。矿用轴承类型众多，需要轴承故障诊断方法能够诊断不同类型的滚动轴承故障。③ 噪声干扰。矿井环境含有大量噪声，需要轴承故障诊断方法具有一定的抗噪能力。
基于深度学习的故障诊断方法使计算机自主地从原始信号中学习和提取关键特征[2]，是故障诊断领域研究的热点。目前深度学习网络主要有卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和自编码器（Auto Encoder，AE）等。CNN凭借局部感知和参数共享等优点，在减少参数的同时提高了网络性能[3]。雷春丽等[4]采用马尔可夫转移场将一维信号转换为二维特征图，利用CNN对特征图进行特征提取和故障诊断，可在小样本、变负载环境下完成故障诊断任务。常淼等[5]通过增加CNN的卷积层数来提高网络特征提取能力，但卷积层过多会引发梯度弥散、参数过多等问题[6]，导致训练效率降低。为进一步挖掘CNN潜力，Facebook和UC Berkeley的科研人员以ResNet为基础，借鉴Transformer架构，经过一系列改进和优化，设计出纯卷积网络——ConvNeXt[7]。在网络设计过程中，为降低参数量，使用深度可分离卷积，将传统卷积操作分解为深度卷积和逐点卷积2个环节；为增强网络性能，采取多种优化策略，其中包括使用倒残差结构、减少批归一化（Batch Normalization，BN）层和激活函数的应用以及将下采样层进行分离处理等。ConvNeXt在保持简洁高效的同时，突破了传统CNN的性能极限[8]，为故障诊断领域提供了一种新的研究方向。但ConvNeXt在特征提取过程中涵盖信息较为宽泛，导致网络将部分注意力分散到非关键特征上[9]；ConvNeXt采用7×7的深度可分离卷积在处理故障诊断这种小样本分类任务时，无法根据输入数据的特征动态调整卷积核大小，导致网络特征提取能力不佳[10]；ConvNeXt中的层归一化（Layer Normalization，LN）存在泛化性差的问题[11]，对网络泛化性产生不利影响。
为提高现有矿用滚动轴承故障诊断方法的特征提取能力和泛化性，本文提出一种基于超小波变换（Superlet Transform，SLT）与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法。ConvNeXt有ConvNeXt−T，ConvNeXt−S，ConvNeXt−B和ConvNeXt−L这4个不同版本，其中ConvNeXt−T具有复杂度较低、参数量和计算复杂度较小的特点，适用于滚动轴承故障诊断这种小样本分类任务。本文以ConvNeXt−T为基础，引入BN技术[12]，旨在提高网络的泛化性；针对ConvNeXt−T中深度可分离卷积无法动态调整卷积核大小，使用全维动态卷积（Omni-dimensional Dynamic Convolution，ODConv）[13]替换原有的深度可分离卷积，使网络具有更强的适应性；为了使ConvNeXt−T聚焦关键位置特征，引入高效局部注意力（Efficient Local Attention，ELA）[14]，以增强网络的特征提取能力。为充分利用原始信号的时频特性，选用SLT[15]将一维振动信号转换为二维时频图像，以便网络更好地提取信号中的关键信息。
1. 基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法原理
1.1 OD−ConvNeXt−ELA设计
以ConvNeXt−T为基础进行改进，构建OD−ConvNeXt−ELA，其结构如图1所示。主要改进包括：为解决ConvNeXt−T使用7×7大小卷积核导致通道间的信息交互不足而造成网络特征提取能力欠佳的问题，采用ODConv替换ConvNeXt−T中的固定大小卷积核，实现根据输入数据特性对多个卷积核进行线性加权来动态调整卷积核大小，避免信息冗余[16]；在部分卷积层后加入ELA机制，对位置特征图中的重要特征信息进行编码，在无需降低维度的前提下，确保对特征信息的优先处理和精确捕捉；针对ConvNeXt−T中LN存在网络收敛速度慢、泛化性能差的问题，使用BN替换LN[17]。
1.2 基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断流程
为充分利用原始信号的时频特性，选用SLT将一维振动信号转换为二维时频图像，以便OD−ConvNeXt−ELA更好地提取信号中的关键信息。
基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断流程如图2所示，具体步骤如下。
步骤1：采集振动信号。从振动试验平台的传感器数据库中读取一维振动信号，构建样本数据库。
步骤2：制作故障样本数据集。利用SLT将样本数据库中的一维振动信号转换为二维时频图像，并按比例划分为训练集、验证集和测试集。
步骤3：训练OD−ConvNeXt−ELA网络。将步骤2中训练集输入至已初始化参数的OD−ConvNeXt−ELA中进行训练，使用验证集对网络性能进行评估，根据评估结果对网络中的超参数进行调整，防止过拟合现象。经过多轮迭代后，确保网络充分训练并达到收敛状态，然后保留准确率最高的权重。
步骤4：测试OD−ConvNeXt−ELA网络。选取美国凯斯西储大学（Case Western Reserve University，CWRU）[18]和德国帕德博恩大学（Paderborn University，PU）[19]的轴承数据集，其中，CWRU使用的轴承型号为SKF6025，PU使用的轴承型号为6203，这2种轴承均为含有防尘盖设计的深沟球轴承，是矿井中常用的滚动轴承[20]。将这2个数据集中划分的测试集输入到预先训练好的OD−ConvNeXt−ELA中，输出故障诊断结果。
2. 滚动轴承故障诊断实验
滚动轴承故障诊断实验采用SDG优化函数更新网络参数，设置训练轮数为30次，学习率为0.001，批量大小为16，数据加载线程数为3。为防止过拟合，设置Dropout层的丢弃概率为0.3。为确保实验的公正性和客观性，本文所有网络预训练权重均源自CIFAR−10数据集。
2.1 SLT对滚动轴承故障诊断的影响
为验证SLT对滚动轴承故障诊断的优势，分别选用短时傅里叶变换（Short-Time Fourier Transform，STFT）、连续小波变换（Continue Wavelet Transform，CWT）和SLT将CWRU轴承数据集的一维信号转换为分辨率为220×220的二维时频图像，并输入ConvNeXt−T进行轴承故障诊断，通过比较故障诊断准确率来判断不同时频变换方法对滚动轴承故障诊断的优劣。根据轴承负载和转速的不同，CWRU轴承数据集分为4种工况，见表1。将数据集按3∶1∶1的比例构建训练集、验证集和测试集。
表 1 CWRU轴承数据集工况划分Table 1. Division of operating conditions in CWRU bearing dataset工况 负载功率/W 转速/（r·min−1） A 0 1 797 B 746 1 772 C 1 491 1 750 D 2 237 1 730 以A工况为例，对轴承故障类型进行划分，见表2。
表 2 CWRU轴承数据集故障类型划分Table 2. Classification of fault types in CWRU bearing dataset轴承状态 故障直径/mm 样本个数 标签 健康 0 200 1 内圈故障 0.177 8 200 2 滚动体故障 0.177 8 200 3 外圈故障 0.177 8 200 4 内圈故障 0.355 6 200 5 滚动体故障 0.355 6 200 6 外圈故障 0.355 6 200 7 内圈故障 0.533 4 200 8 滚动体故障 0.533 4 200 9 外圈故障 0.533 4 200 10 STFT采用hann窗函数，窗口长度为50；CWT选用cmor3−3小波作为小波基，尺度数为256；SLT采用Morlet小波作为小波基，最小周期为5，阶数为5。以A工况为例，经过STFT，CWT和SLT 3种变换后，CWRU轴承数据集的一维振动信号转换为二维时频图像，如图3所示。可看出相较于STFT和CWT，经过SLT后的时频图像在时间分辨率和频率分辨率方面实现了较好的兼顾，并且时频图像中几乎不存在冗余信息，能够清晰地看到信号频率随时间的变化情况。
![]()
图 3 不同时频变换方法下的时频图像Figure 3. Time-frequency images with different time-frequency transform methods将经过STFT、CWT和SLT的二维时频图像输入ConvNeXt−T进行轴承故障诊断，重复测试30次，得到故障诊断准确率，见表3。在A工况下，SLT的准确率较STFT提高了1.72%，较CWT提高了1.19%；在B工况下，SLT的准确率较STFT提高了2.91%，较CWT提高了3.67%；在C工况下，SLT的准确率较STFT提高了3.59%，较CWT提高了2.28%；在D工况下，SLT的准确率较STFT提高了0.94%，较CWT提高了1.68%。SLT在4种工况下由于均保留了原始振动信号的关键特征，其准确率优于STFT和CWT。
表 3 不同时频变换方法下轴承故障诊断准确率Table 3. Bearing fault diagnosis accuracy using different time-frequency transform methods时频变换方法 准确率/% A工况 B工况 C工况 D工况 STFT 95.57 94.69 96.15 98.18 CWT 96.10 93.93 97.46 97.44 SLT 97.29 97.60 99.74 99.12 2.2 单一工况下OD−ConvNeXt−ELA性能
为比较ConvNeXt−T改进前后对轴承故障诊断准确率的影响，将CWRU轴承数据集单一工况（A工况、B工况、C工况和D工况）下经SLT得到的二维时频图像分别输入ConvNeXt−T和OD−ConvNeXt−ELA进行轴承故障诊断，结果如图4所示。可看出OD−ConvNeXt−ELA平均故障诊断准确率达99.65%，较ConvNeXt−T提高了1.61%。
![]()
图 4 单一工况下不同网络在CWRU轴承数据集的故障诊断准确率Figure 4. Fault diagnosis accuracy of different networks on CWRU bearing dataset under a single operating conditionConvNeXt−T和OD−ConvNeXt−ELA在A工况下的故障诊断准确率和损失值曲线如图5所示。可看出相较于ConvNeXt−T，OD−ConvNeXt−ELA故障诊断准确率曲线波动更小，网络损失值曲线呈现更稳定的下降趋势，且网络在训练过程中未出现过拟合现象。
![]()
图 5 单一工况下不同网络的故障诊断准确率和损失值曲线Figure 5. Fault diagnosis accuracy and loss curves of different networks under a single operating condition2.3 跨工况下OD−ConvNeXt−ELA性能
在实际矿用场景中，轴承运行状态多为跨工况状态[21]，因此使用不同工况下的CWRU轴承数据集对EfficientNet_b4，ResNet50，ConvNeXt−T及OD−ConvNeXt−ELA进行跨工况滚动轴承故障诊断对比实验。选取A工况下训练集对网络进行训练，B，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作A−B，A−C和A−D；选取B工况下训练集对网络进行训练，A，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作B−A，B−C和B−D；以此类推。跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率如图6所示，可看出在12种跨工况下，OD−ConvNeXt−ELA的平均故障诊断准确率为87.50%，比ConvNeXt−T，ResNet50，EfficientNet_b4分别提高了3.30%，4.57%，4.65%。
![]()
图 6 跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率Figure 6. Fault diagnosis accuracy of different networks on CWRU bearing dataset across operating conditions为更直观地展示4种网络的故障诊断结果，生成A−B跨工况下4种网络在CWRU轴承数据集上的混淆矩阵，如图7所示。可看出在400个测试集样本中，EfficientNet_b4出现11个样本被误判，ResNet50出现9个样本被误判，ConvNeXt−T出现5个样本被误判，OD−ConvNeXt−ELA仅有2个样本被误判。表明OD−ConvNeXt−ELA能够判别多种工况下的滚动轴承故障类型，且具有较高的准确率。
![]()
图 7 跨工况下不同网络在CWRU轴承数据集上的混淆矩阵Figure 7. Confusion matrix of different networks on CWRU bearing dataset across operating conditions以A−B跨工况为例，采用t分布式随机邻居嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）算法分别对4种网络分类层的输出进行可视化，如图8所示。可看出EfficientNet_b4，ResNet50和ConvNeXt−T中均存在误分类的数据点（数据点重叠），而OD−ConvNeXt−ELA中不存在误分类的数据点。这是由于OD−ConvNeXt−ELA凭借ODConv的动态特性，能够更好地应对故障诊断这类小样本任务，并通过ELA进一步凸显有用特征，同时弱化无用特征，从而提升故障诊断准确率。
![]()
图 8 跨工况下不同网络分类结果可视化Figure 8. Visualization of classification results for different networks across operating conditions2.4 跨轴承、跨工况下OD−ConvNeXt−ELA性能
选用来自不同轴承和不同工况条件下的PU轴承数据集对EfficientNet_b4，ResNet50，ConvNeXt−T及OD−ConvNeXt−ELA进行跨工况、跨轴承的故障诊断准确率对比实验。根据轴承负载的不同，PU轴承数据集分为3种工况，见表4。
表 4 PU轴承数据集工况划分Table 4. Division of operating conditions in PU bearing dataset工况 转矩/（N·m） 径向力/N E 0.7 1 000 F 0.1 1 000 G 0.7 400 选取PU轴承数据集中带有真实损伤的轴承振动信号开展实验，并按照3∶1∶1的比例构建训练集、验证集和测试集。PU轴承数据集故障类型划分见表5。
表 5 PU轴承数据集故障类型划分Table 5. Classification of fault types in PU bearing dataset轴承状态 故障等级 样本个数 标签 健康 — 400 I 外圈故障 1级 400 II 内圈故障 1级 400 III 复合故障 2级 400 IV 跨工况下4种网络在PU轴承数据集上的故障诊断准确率如图9所示。可看出OD−ConvNeXt−ELA在6种跨工况下的平均故障诊断准确率达89.33%，较ConvNeXt−T，ResNet50和EfficientNet_b4分别提高了3.46%，2.10%和2.09%，表明OD−ConvNeXt−ELA具有更好的泛化能力。
![]()
图 9 跨工况下不同网络在PU轴承数据集上的故障诊断准确率Figure 9. Fault diagnosis accuracy of different networks on PU bearing dataset across operating conditions使用混淆矩阵评价E−F跨工况下网络分类结果，如图10所示。可看出在320个测试集样本中，EfficientNet_b4出现20个样本被误判，ResNet50出现17个样本被误判，ConvNeXt−T出现14个样本被误判，而OD−ConvNeXt−ELA仅有9个样本被误判。表明OD−ConvNeXt−ELA能有效解决滚动轴承在运行时因负载变化而导致的故障诊断率低和泛化能力差的问题。
![]()
图 10 跨工况下不同网络在PU轴承数据集上的混淆矩阵Figure 10. Confusion matrix of different networks on PU bearing dataset across operating conditions2.5 不同信噪比下OD−ConvNeXt−ELA性能
矿用轴承故障诊断准确率除了受到跨工况的影响，还会受环境噪声干扰的影响，因此通过引入高斯噪声验证OD−ConvNeXt−ELA在噪声干扰下的鲁棒性。加入信噪比为0，2，4，6 dB的噪声，在A工况下进行4种网络故障诊断实验，为去除偶然误差，重复10次取平均值，实验结果如图11所示。可看出与EfficientNet_b4，ResNet50，ConvNeXt−T相比，OD−ConvNeXt−ELA在不同信噪比下均具有较高的准确率，表现出良好的抗噪性能，适用于矿用轴承故障诊断中含有强噪声的场景。
![]()
图 11 不同信噪比下不同网络故障诊断准确率Figure 11. Fault diagnosis accuracy of different networks at different signal-to-noise ratios3. 结论
1） 采用SLT将一维振动信号转换为高度保留原始信号故障特征的二维时频图像，相较于STFT和CWT，采用SLT的滚动轴承故障诊断准确率更高。
2） 以ConvNeXt−T为基础，引入BN技术以提高网络的泛化性，使用ODConv替换原有的深度可分离卷积以提高网络的适应性，引入ELA以使网络聚焦关键位置特征，从而构建矿用滚动轴承故障诊断OD−ConvNeXt−ELA网络模型。
3） 在CWRU和PU轴承数据集上的滚动轴承故障诊断实验结果表明，与EfficientNet_b4，ResNet50和ConvNeXt−T相比，OD−ConvNeXt−ELA在跨轴承、跨工况及噪声干扰下具有故障诊断准确率高、泛化能力强的优势。
-
![]()
图 3 不同时频变换方法下的时频图像
Figure 3. Time-frequency images with different time-frequency transform methods
![]()
图 4 单一工况下不同网络在CWRU轴承数据集的故障诊断准确率
Figure 4. Fault diagnosis accuracy of different networks on CWRU bearing dataset under a single operating condition
![]()
图 5 单一工况下不同网络的故障诊断准确率和损失值曲线
Figure 5. Fault diagnosis accuracy and loss curves of different networks under a single operating condition
![]()
图 6 跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率
Figure 6. Fault diagnosis accuracy of different networks on CWRU bearing dataset across operating conditions
![]()
图 7 跨工况下不同网络在CWRU轴承数据集上的混淆矩阵
Figure 7. Confusion matrix of different networks on CWRU bearing dataset across operating conditions
![]()
图 8 跨工况下不同网络分类结果可视化
Figure 8. Visualization of classification results for different networks across operating conditions
![]()
图 9 跨工况下不同网络在PU轴承数据集上的故障诊断准确率
Figure 9. Fault diagnosis accuracy of different networks on PU bearing dataset across operating conditions
![]()
图 10 跨工况下不同网络在PU轴承数据集上的混淆矩阵
Figure 10. Confusion matrix of different networks on PU bearing dataset across operating conditions
![]()
图 11 不同信噪比下不同网络故障诊断准确率
Figure 11. Fault diagnosis accuracy of different networks at different signal-to-noise ratios
表 1 CWRU轴承数据集工况划分
Table 1 Division of operating conditions in CWRU bearing dataset
工况 负载功率/W 转速/（r·min−1） A 0 1 797 B 746 1 772 C 1 491 1 750 D 2 237 1 730 
下载: 导出CSV
表 2 CWRU轴承数据集故障类型划分
Table 2 Classification of fault types in CWRU bearing dataset
轴承状态 故障直径/mm 样本个数 标签 健康 0 200 1 内圈故障 0.177 8 200 2 滚动体故障 0.177 8 200 3 外圈故障 0.177 8 200 4 内圈故障 0.355 6 200 5 滚动体故障 0.355 6 200 6 外圈故障 0.355 6 200 7 内圈故障 0.533 4 200 8 滚动体故障 0.533 4 200 9 外圈故障 0.533 4 200 10
下载: 导出CSV
表 3 不同时频变换方法下轴承故障诊断准确率
Table 3 Bearing fault diagnosis accuracy using different time-frequency transform methods
时频变换方法 准确率/% A工况 B工况 C工况 D工况 STFT 95.57 94.69 96.15 98.18 CWT 96.10 93.93 97.46 97.44 SLT 97.29 97.60 99.74 99.12
下载: 导出CSV
表 4 PU轴承数据集工况划分
Table 4 Division of operating conditions in PU bearing dataset
工况 转矩/（N·m） 径向力/N E 0.7 1 000 F 0.1 1 000 G 0.7 400
下载: 导出CSV
表 5 PU轴承数据集故障类型划分
Table 5 Classification of fault types in PU bearing dataset
轴承状态 故障等级 样本个数 标签 健康 — 400 I 外圈故障 1级 400 II 内圈故障 1级 400 III 复合故障 2级 400 IV
下载: 导出CSV
-
[1] 杨春才,李向磊,吕晓伟. 煤机设备轴承故障诊断方法[J]. 工矿自动化,2023,49(12):147-151. YANG Chuncai,LI Xianglei,LYU Xiaowei. Diagnosis method for bearing faults in coal mining equipment[J]. Journal of Mine Automation,2023,49(12):147-151.
[2] 韩争杰,牛荣军,马子魁,等. 基于注意力机制改进残差神经网络的轴承故障诊断方法[J]. 振动与冲击,2023,42(16):82-91. HAN Zhengjie,NIU Rongjun,MA Zikui,et al. Bearing fault diagnosis methods based on an attentional-mechanism-improved residual neural network[J]. Journal of Vibration and Shock,2023,42(16):82-91.
[3] 郭俊锋,谭宝宏,王智明. 基于MDAM−GhostCNN的滚动轴承故障诊断方法[J/OL]. 北京航空航天大学学报:1-15[2024-05-13]. https://doi.org/10.13700/j.bh.1001-5965.2023.0224. GUO Junfeng,TAN Baohong,WANG Zhiming. Fault diagnosis method of rolling bearing based on MDAM-GhostCNN[J/OL]. Journal of Beijing University of Aeronautics and Astronautics:1-15[2024-05-13]. https://doi.org/10.13700/j.bh.1001-5965.2023.0224.
[4] 雷春丽,夏奔锋,薛林林,等. 基于MTF−CNN的滚动轴承故障诊断方法[J]. 振动与冲击,2022,41(9):151-158. LEI Chunli,XIA Benfeng,XUE Linlin,et al. Rolling bearing fault diagnosis method based on MTF-CNN[J]. Journal of Vibration and Shock,2022,41(9):151-158.
[5] 常淼,沈艳霞. 基于改进卷积神经网络的风电轴承故障诊断策略[J]. 电力系统保护与控制,2021,49(6):131-137. CHANG Miao,SHEN Yanxia. Fault diagnosis strategy of a wind power bearing based on an improved convolutional neural network[J]. Power System Protection and Control,2021,49(6):131-137.
[6] 邓飞跃,吕浩洋,顾晓辉,等. 基于轻量化神经网络Shuffle−SENet的高速动车组轴箱轴承故障诊断方法[J]. 吉林大学学报(工学版),2022,52(2):474-482. DENG Feiyue,LYU Haoyang,GU Xiaohui,et al. Fault diagnosis of high-speed train axle bearing based on a lightweight neural network Shuffle-SENet[J]. Journal of Jilin University (Engineering and Technology Edition),2022,52(2):474-482.
[7] LIU Zhuang,MAO Hanzi,WU Chaoyuan,et al. A ConvNet for the 2020s[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,New Orleans,2022:11966-11976.
[8] 刘立波,郗思宇,邓箴. 结合改进ConvNeXt网络与知识蒸馏的天气识别[J]. 光学精密工程,2023,31(14):2123-2134. DOI: 10.37188/OPE.20233114.2123 LIU Libo,XI Siyu,DENG Zhen. Weather recognition combining improved ConvNeXt models with knowledge distillation[J]. Optics and Precision Engineering,2023,31(14):2123-2134. DOI: 10.37188/OPE.20233114.2123
[9] 杨环宇,王军,吴祥,等. 一种坐标通道注意力深度学习网络的军用飞机识别方法[J]. 兵工学报,2024,45(7):2128-2143. YANG Huanyu,WANG Jun,WU Xiang,et al. A method for military aircraft recognition using a coordinate attention-based deep learning network[J]. Acta Armamentarii,2024,45(7):2128-2143.
[10] 郭盼盼,张文斌,崔奔,等. 基于增强深度卷积神经网络的滚动轴承多工况故障诊断方法[J/OL]. 振动工程学报:1-14[2024-06-25]. https://kns.cnki.net/kcms/detail/32.1349.TB.20230830.1129.002.html. GUO Panpan,ZHANG Wenbin,CUI Ben,et al. Fault diagnosis method of rolling bearing under multiple working conditions based on enhanced deep convolutional neural network[J/OL]. Journal of Vibration Engineering:1-14[2024-06-25]. https://kns.cnki.net/kcms/detail/32.1349.TB.20230830.1129.002.html.
[11] SEGU M,TONIONI A,TOMBARI F. Batch normalization embeddings for deep domain generalization[J]. Pattern Recognition,2023,135. DOI: 10.1016/j.patcog.2022.109115.
[12] IOFFE S,SZEGEDY C,IOFFE S,et al. Batch normalization:accelerating deep network training by reducing internal covariate shift[C]. 32nd International Conference on Machine Learning,Lille,2015:448-456.
[13] LI Yufei,XIN Yufei,LI Xinni,et al. Omni-dimensional dynamic convolution feature coordinate attention network for pneumonia classification[J]. Visual Computing for Industry,Biomedicine,and Art,2024,7(1):17-29. DOI: 10.1186/s42492-024-00168-5
[14] XU Wei,WAN Yi. ELA:efficient local attention for deep convolutional neural networks[EB/OL]. [2024-06-25]. https://arxiv.org/abs/2403.01123v1.
[15] MOCA V V,BÂRZAN H,NAGY-DĂBÂCAN A,et al. Time-frequency super-resolution with superlets[J]. Nature Communications,2021,12(1). DOI: 10.1038/s41467-020-20539-9.
[16] 曾志超,徐玥,王景玉,等. 基于SOE−YOLO轻量化的水面目标检测算法[J]. 图学学报,2024,45(4):736-744. ZENG Zhichao,XU Yue,WANG Jingyu,et al. A water surface target detection algorithm based on SOE-YOLO lightweight network[J]. Journal of Graphics,2024,45(4):736-744.
[17] 段洁利,于世伟,解明坤,等. 基于一维轻量化CNN的山地索道轴承故障诊断[J]. 农业工程学报,2023,39(14):70-79. DOI: 10.11975/j.issn.1002-6819.202304173 DUAN Jieli,YU Shiwei,XIE Mingkun,et al. Fault diagnosis of mountain ropeway bearings based on one-dimensional lightweight CNN[J]. Transactions of the Chinese Society of Agricultural Engineering,2023,39(14):70-79. DOI: 10.11975/j.issn.1002-6819.202304173
[18] SMITH W A,RANDALL R B. Rolling element bearing diagnostics using the Case Western Reserve University data:a benchmark study[J]. Mechanical Systems and Signal Processing,2015,64:100-131.
[19] LESSMEIER C,KIMOTHO J K,ZIMMER D,et al. Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors:a benchmark data set for data-driven classification[C]. PHM Society European Conference,Bilbao,2016. DOI: 10.36001/phme.2016.v3i1.1577.
[20] 窦桂东,白艺硕,王均利,等. 基于深度学习的矿井滚动轴承故障诊断方法[J]. 工矿自动化,2024,50(1):96-103,154. DOU Guidong,BAI Yishuo,WANG Junli,et al. A fault diagnosis method for mine rolling bearings based on deep learning[J]. Journal of Mine Automation,2024,50(1):96-103,154.
[21] LIU Chunyang,BAN Yuxuan,LI Hongyu,et al. Accurate recognition method for rolling bearing failure of mine hoist in strong noise environment[J]. Machines,2023,11(6). DOI: 10.3390/machines11060632.
计量
- 文章访问数: 64
- HTML全文浏览量: 27
- PDF下载量: 23
