摘要：传统神经网络模型的故障诊断准确率难以保证，为了提高网络模型的故障识别率，提出了一种基于DenseNet的多元并行网络（Multi-branch-DenseNet，MBDN）机械故障诊断方法。先对采集到的时域信号进行短时傅里叶变换，将一维时序信号转换为包含信号特征的RGB图像。再将不同类型的特征图像进行配对形成样本对，将样本对分别输入并行网络的各个分支中，每个分支并行计算得到不同的特征参数。比较不同类型故障特征之间的相似度得到相似分数，根据相似分数的大小并对模型进行优化，模型优化程度通过设定的阈值进行控制。最后通过比较不同特征的相似度来识别机械故障，相似度较高的特征参数被判定为同类型特征。模型采用康涅狄格大学齿轮故障公开数据集进行训练与验证，MBDN网络识别准确率可达97.6%，比2DCNN网络高8.4%，其他3个评判指标分别得分95.25%、97.43%、95.46%，这表明MBDN比其他网络模型性能更为优异，具有较高的实用价值。
关键词：故障诊断,稠密网络,短时傅里叶变换,曼哈顿距离
0引言
传统的机械故障诊断费时费力经济效益低下，随着人工智能的发展，算法模型逐渐应用在故障诊断领域[1-2]。旋转机械的故障特征隐藏在振动信号中[3]，需要网络模型有着很强的特征提取能力才能提取出故障信息。神经网络在图像视觉[4]、自然语言处理[5]、时序预测等[6]领域有着深入地研究，可以搭建出超深的网络结构，因此神经网络在故障诊断领域有着巨大优势。越来越多的研究人员开始将神经网络应用在机械故障诊断中。陈超等[7]利用一维卷积神经网络与门控循环单元的优势，提出了一种基于多尺度卷积神经网络和GRU（MCNN-GRU）的滚动轴承故障诊断方法。闫海鹏等[8]为了解决复杂工况下滚动轴承振动信号存在随机噪声的问题，提出了一种基于参数优化变分模态分解（VMD）小波阈值的滚动轴承降噪方法。唐世钰等[9]针对深度残差收缩网络在降噪过程中引起的信号失真问题，提出了一种改进的深度残差收缩网络（Improved Deep Residual Shrinkage Network，IDRSN）并将其应用于滚动轴承的故障诊断中，与现有方法相比，所提方法的分类准确率和鲁棒性更高。
上述诊断方法在数据样本和故障类型较少时表现较好，但生产中数据庞大，故障种类复杂，为了更好地解决上述问题，提出了基于稠密网络（DenseNet）[10-11]的多元并行网络进行机械故障诊断。利用短时傅里叶变换处理时域信号，采用并行的DenseNet网络构建特征提取器，再使用曼哈顿距离构造损失函数，该模型有着较好的故障诊断性能，数据复杂程度较高种类繁杂时依然有着较好的分类性能。MBDN模型有以下优点：（1）使用多组DenseNet网络构建特征提取器，特征提取网络为并行结构，不同特征样本在训练时实现了权值共享；（2）自定义网络的损失函数，通过设定阈值控制网络更新的进度使得网络模型变得更加灵活可控；（3）得到特征之后使用了曼哈顿距离计算不同特征之间的相似度，以此实现故障的分类。
1模型构建与理论分析
1.1相关理论分析
1.1.1 DenseNet网络结构
稠密卷积神经网络（DenseNet）是以卷积神经网络CNN为基础进行完善的，普通的CNN网络进行特征提取时需要很长的网络路径，网络路径越长意味着越容易出现过拟合现象，DenseNet能以较短的网络路径捕捉更深层的数据特征，解决了普通网络的这一缺陷，性能更为强大。稠密网络的基础结构由稠密块（Dense Block）与过渡块（Transition Layer）组成，两者的关系如图1所示。
稠密块是进行特征提取的主要部分，网络较复杂产生的数据维度较高，过渡块用来调节网络的复杂度，经过稠密块与过渡块之后需要进行拼接操作，网络的详细结构如图2所示。
每个密集块以特征映射集X0作为输入，依次输入批量归一化（BN）层、ReLU层和卷积层，提取新的特征映射集X1。按照同样的步骤，它还可以获得特征映射集X2。然后，在每个卷积层后面，将现有的特征映射集通过连接操作拼接起来。按照式（1）方式进行拼接：
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/81277.html
