强噪声条件下基于可学习带选择包络融合深度卷积网络的轴承故障诊断方法研究

《Machines》：Learnable Band-Selective Envelope-Spectrum Residual Fusion for Bearing Fault Diagnosis Under Matched Noise Conditions

　　

摘要

强噪声可能掩盖轴承故障诊断所依赖的瞬态特征与调制特征，而基于包络的方法仍然对解调前所选的频带较为敏感。本研究提出了一种可学习带选择性包络融合WDCNN（LBEF-WDCNN）。其中，原始波形分支负责提取时间域特征，而辅助分支则施加四个可微高斯掩膜，重构相应的频谱选择波形，并编码其希尔伯特包络谱。两个分支联合训练，并使用固定的、与样本无关的残差系数 0.1 进行融合。该方法在HUST数据集上进行了评估，采用匹配噪声方案，包含在0 dB、?6 dB和 ?10 dB下的加性白高斯噪声（AWGN）、有色噪声和脉冲噪声，并在CWRU和PU数据集上进行了额外的数据集特定评估。在HUST数据集的九个实验条件下，LBEF-WDCNN使用74,065个可训练参数实现了最高的平均宏F1值 。在 dB AWGN条件下，其宏F1值达到 ，比DRSN-CW高出7.68个百分点。消融实验结果表明，可学习带选择将 dB条件下的三种噪声平均值从固定频带的 提升到了 。在严重脉冲噪声下，DRSN-CW仍表现出更强的性能。这些结果表明，所提出的表示方法在严重宽带干扰条件下尤为有效，同时保持了紧凑的模型规模。