深度残差网络结合动态加权小波系数的故障诊断

"M. Zhao, M. Kang, B. Tang, M. Pecht的文章在IEEE Transactions on Industrial Electronics上发表，标题为'基于深度残差网络及动态加权小波系数的行星齿轮箱故障诊断'，提出了一种结合小波包变换和深度残差学习的新方法，用于机械故障诊断。该方法特别关注于处理复杂旋转机械系统的振动数据，并通过自适应加权来突出不同频带的重要信息。" 本文主要探讨了在数据驱动的故障诊断方法中构建有效特征集的重要性。传统的统计参数往往无法充分表征行星齿轮箱在不同工况下的动态行为。尽管深度学习算法已经在寻找故障诊断特征方面取得了一定的进步，但缺乏领域知识的整合限制了其进一步提升。为了解决这个问题，作者提出了一种深度残差网络的变体——动态加权小波系数深度残差网络（DRN+DWWC）。 深度残差网络（DRNs）是一种深度学习架构，通过引入残差学习，使得网络可以更有效地学习深层次的特征表示。在DRN+DWWC中，作者引入了小波包变换，这是一种能分解信号到多个频带的分析工具，能够捕获信号的不同频率成分。这些频带上的小波包系数被用作网络的输入。关键创新在于动态加权机制，它允许网络根据振动数据的特性自适应地重视不同频带的信息，从而提高故障诊断的准确性。 在行星齿轮箱的故障诊断中，由于其内部复杂的机械交互作用，振动数据通常包含了丰富的频域信息。不同故障模式可能在特定频率范围内有明显的特征。通过动态加权，网络可以学习到哪些频带对于识别特定故障模式最为关键，从而提高诊断的敏感性和鲁棒性。 实验结果表明，DRN+DWWC相比于传统方法和纯深度学习方法，在识别和定位行星齿轮箱的故障时表现出更好的性能。这种方法不仅提高了诊断的准确率，还增强了模型对不同工况变化的适应性，这对于实际工业环境中的故障预测和预防具有重要意义。 这项工作将深度学习与信号处理技术相结合，为机械故障诊断提供了一个新颖且有效的框架。通过动态加权的小波系数，网络能够更好地理解和利用振动数据中的复杂信息，为未来在其他机械设备的故障诊断中应用深度学习开辟了新的途径。