改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法.将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务.改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权.在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断.选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8％、在抗噪试验下的识别率为98.22％,在泛化试验下的识别率为97.19％,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性.