优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

打开文本图片集

摘要 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题，提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network，DS‑ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform，FFT）将滚动轴承一维振动转换到频域进行表示；利用深度可分离卷积（Depthwise Separable Convolution，DSC）计算复杂度低和逐点卷积（Pointwise Convolution，PWC）能增强网络非线性表达的优点，分别代替传统深度残差网络中的两个标准卷积层，构建出优化后的DS‑ResNet模型。（剩余13897字）