基于频域格拉姆角场与多尺度深度残差网络的高频变负载滚动轴承故障诊断研究OA北大核心

传动部件运行状态的鲁棒辨识对于保障电力山地清障车服役性能有着重要的意义,在高频变负载运行和高噪声环境下,采集的振动信号常受复杂传递路径和部件耦合的影响,导致受到噪声的干扰,给山地清障车轴承故障的准确诊断带来了挑战。提出了一种基于频域格拉姆角场与多尺度深度残差网络(Residual Networks,ResNet)的滚动轴承故障诊断模型,通过格拉姆角场对时序信号的频域成分进行重构,通过多尺度注意力增强机制对特征进行加权和增强,使故障诊断模型能够自适应地关注故障诊断中最重要的特征,同时抑制噪声的影响。引入残差连接以促进深层网络的训练和信息流动,从而促进模型对复杂特征的学习。采用西安交通大学滚动轴承故障加速寿命试验数据集和利用滚动轴承试验台采集的山地清障车滚动轴承数据集进行验证,2个数据集的故障识别率都达到99%以上,验证了所提出故障诊断模型的有效性。对比不同变负载工况,模型故障识别率均达到了98.5%以上,在-6 dB噪声的高频变负载环境下,识别率仍达到90%以上,进一步验证了故障诊断模型可用于山地清障车轴承故障识别,并具有良好的鲁棒性和泛化能力。