基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中，基于深度学习的故障诊断方法受限于有限的标注样本，存在模型收敛困难和识别准确率较低等问题，为此，提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先，采用集合经验模态分解(EEMD)方法，将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量；然后，分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图，同时构建了多个相同的卷积神经网络分支，以此作为特征提取器；最后，在融合层中，将提取到的时频域特征进行了通道特征融合，作为最终分类器的输入数据，对风机轴承进行了故障识别；并采用美国凯斯西储大学不同大小的轴承数据集，对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时，基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比，该诊断方法具有更高的准确率和更强的鲁棒性。