基于QSE-ResNet的浮环密封摩擦振动信号分类方法

来源：振动与冲击杂志2024年第21期北京时间：

作者：刘伟，张书尧，翟志兴，朱书海，李双喜

单位：北京化工大学机电工程学院，北京100029

摘要：针对浮环密封装置在不同摩擦工况下振动信号特征微弱且难以识别的问题，传统深度学习网络在性能上取得了显著成果。然而，由于存在模型超参数多、训练时间长、迭代次数多、网络精度低以及计算成本过高等问题，其在实际使用时存在一定的局限性。因此，本研究提出了一种基于深度残差网络（ResNet）的方法，即基于快速注意力机制的残差网络（Quick Squeeze Excitation ResNet），以解决浮环密封摩擦振动信号分类中的问题。该方法通过引入注意力机制、调整网络残差块的连接方式并选择特定的优化器来提高模型性能，并与其他四种模型在同一个梅尔频谱图（Mel Spectrogram）数据集上进行对比测试。研究结果显示，QSE-ResNet的准确率达到了97%，比传统卷积神经网络（CNN）高出13%，同时缩短了55%的模型迭代次数，节约了30%的网络训练时间。此外，QSE-ResNet成功地解决了过拟合、梯度爆炸和梯度消失等问题，显著缩短了迭代次数、节省了网络训练时间并提高了测试精度，使得浮环密封摩擦振动的信号状态监控及设备部署更为便利。本研究提出的QSE-ResNet使得浮环密封摩擦振动模型具备更便捷的部署能力，为浮环密封摩擦振动信号的研究提供了新的思路。<br>

关键词：浮环密封；摩擦振动；声发射；深度学习；特征分类