一种抗噪声轴承故障诊断方法

摘要

针对滚动轴承在噪声环境中故障诊断准确率低、诊断模型稳定性差等问题,提出了一种DARTS-CNN-BiLSTM故障诊断模型。首先,使用可微架构搜索(differentiable architecture search, DARTS)算法对卷积神经(convolutional neural network, CNN)网络进行结构寻优,以提升CNN对原始振动信号的深层特征挖掘能力和抗噪性能。然后,引入双向长短时记忆(bidirectional long-short term memory, BiLSTM)网络进一步提取信号的时序特征,提升模型的稳定性和鲁棒性。最后,通过全局平均池化和Softmax分类器完成故障分类。分别使用西储大学和渥太华大学公开数据集进行实验,结果表明,此模型平均诊断准确率可达98.38%以上,在添加不同信噪比大小的额外噪声条件下,该模型仍能保持较高的诊断准确率,与其他模型相比,具备更好的抗噪性和稳定性。