基于轻量化模型结合DA与TL的轴承故障诊断

简介

为了在计算量有限的平台上实现对轴承故障的准确和实时诊断,提出一种基于轻量化Mobilenet V3模型结合数据增强和迁移学习技术的轴承故障诊断方法。将一维振动信号通过连续小波变换转换为二维时频图,以更好地揭示信号的时频特性;采用数据增强技术对时频图进行图像增强,并将它作为网络模型的输入,进一步提高模型的鲁棒性和泛化性能;最后,通过迁移学习调整网络模型,有效减少模型的训练迭代次数,提高诊断精度。采用所提方法在凯斯西储大学数据集上进行了实验验证。实验结果表明所提方法在源域下达到了100%的诊断精度,诊断时间为41.3 ms,模型大小为16.3 MB,相比同类型中最优的网络模型,其精度提高了0.437%;在不同信噪比的噪声下,平均诊断精度仍达到97.406%;在跨域实验中,平均准确率达到了98.188%,比同水平中最优的模型提高了1.563%。综合考虑诊断精度、诊断时间、模型大小、抗噪性和泛化性等指标,所提方法可以实现对轴承故障的准确诊断和实时响应。