基于改进 DenseNet 模型的滚动轴承故障诊断

来源：计算机技术与发展杂志2024年第03期北京时间：

作者：雷伟;廖光忠;裴浪

单位：1. 武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;2. 武汉科技大学 智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065;3. 武汉晴川学院 计算机科学与技术学院,湖北 武汉 430065

摘要：滚动轴承是机械设备的关键部件,为了检测滚动轴承设备的正常运转并且提高识别轴承故障的准确率,提出一种优化变分模态分解( VMD) 结合改进密集神经网络( DenseNet)的故障诊断模型方法。 首先,使用多种群差分进化( MPDE)算法以局部极小包络熵为优化搜索的目标函数,对 VMD 方法中的相关参数进行优化搜索以获取最佳参数组合;然后,使用最佳参数组合优化的 VMD 方法分解处理原始滚动轴承的故障信号,并得到若干本征模态分量信号( IMFs) ;最后,通过引入通道注意力模块( MECANet) 的改进密集神经网络模型对分解得到的 IMF 分量信号进行深层故障特征提取与识别,最终完成滚动轴承的故障诊断。 实验结果表明:提出的优化 VMD 结合改进 DenseNet 模型对滚动轴承故障识别的准确率达到了 99. 23% ,并且对比一些其他常见故障诊断模型的准确率有明显的提升,而且与先进的故障诊断模型对比其准确率存在较小差距,验证了此模型在滚动轴承故障诊断方面的有效性。

关键词：滚动轴承;变分模态分解;多种群差分进化;密集神经网络;MECANet;故障诊断