优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用振动工程学报2023 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。 利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点分别代替传统深度残差网络中的两个标准卷积层构建出优化后的 DSResNet模型。 将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。 ● 参考文献2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》 ●数据预处理原方法使用的频域已修改为时域信号进行诊断 ●网络模型DSResNet、ResNet、CNN ●数据集凯斯西储大学CWRU、河内大学滚动轴承数据集HUST2023年开源、德国帕德伯恩数据集PN ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集95%以上 ●使用对象初学者 ●代码保证故障诊断代码注释详细、即拿即可跑通。轴承在工业场景里就像社畜的颈椎——每天高负荷运转还容易被忽视。传统故障诊断方法遇到工厂里的强噪声就像开会时隔壁装修准确率直接跳水。今天咱们来盘一盘这个让轴承在噪声中也能喊出我病了的神奇网络——DSResNet。先看数据怎么整。传统方法喜欢把振动信号转成频谱图跟做心电图似的。但这次咱们直接用原始时域信号毕竟轴承疼起来的时候波形变化比心电图更明显。# 加载CWRU数据并添加噪声增强 def load_data_with_noise(file_path, snr10): raw_signal np.load(file_path) noise np.random.normal(0, 1, len(raw_signal)) noise noise / np.linalg.norm(noise) * np.linalg.norm(raw_signal) / (10**(snr/20)) return raw_signal noise # 数据标准化 def normalize(signal): return (signal - np.mean(signal)) / np.std(signal)重点来了深度可分离残差结构才是真·抗噪神器。普通卷积像带着耳塞听演讲而深度可分离卷积是主动降噪耳机——先抓空间特征再处理通道关系计算量还只有原来的1/3。class DepthwiseSeparableConv(nn.Module): def __init__(self, in_channels, out_channels, stride1): super().__init__() self.depthwise nn.Conv1d(in_channels, in_channels, kernel_size3, stridestride, padding1, groupsin_channels) self.pointwise nn.Conv1d(in_channels, out_channels, kernel_size1) def forward(self, x): x self.depthwise(x) # 空间特征提取 x self.pointwise(x) # 通道信息融合 return x整个网络骨架长这样——把ResNet里的标准卷积换成我们的黑科技模块。每层残差结构都像给网络加了弹簧缓冲防止特征信息在深层网络中骨折。class DSResBlock(nn.Module): def __init__(self, channels): super().__init__() self.conv1 DepthwiseSeparableConv(channels, channels) self.conv2 DepthwiseSeparableConv(channels, channels) self.relu nn.ReLU() def forward(self, x): residual x x self.relu(self.conv1(x)) x self.conv2(x) return self.relu(x residual) # 残差连接训练时的数据增强要够脏才有效。我们在原始信号上叠加高斯白噪声模拟工厂里电机轰鸣、设备震动的真实场景。别担心网络学不会这就像让医学生直接去急诊室练手。# 动态噪声增强 class DynamicNoise(object): def __init__(self, min_snr0, max_snr20): self.min_snr min_snr self.max_snr max_snr def __call__(self, signal): snr np.random.randint(self.min_snr, self.max_snr) return add_noise(signal, snr)实验结果才是硬道理。在CWRU数据集上95%的准确率看着平平无奇但注意这是在信噪比-4dB比摇滚演唱会还吵的环境下跑出来的。混淆矩阵里各类故障泾渭分明t-SNE可视化更显示出特征空间的完美聚类。优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用振动工程学报2023 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。 利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点分别代替传统深度残差网络中的两个标准卷积层构建出优化后的 DSResNet模型。 将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。 ● 参考文献2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》 ●数据预处理原方法使用的频域已修改为时域信号进行诊断 ●网络模型DSResNet、ResNet、CNN ●数据集凯斯西储大学CWRU、河内大学滚动轴承数据集HUST2023年开源、德国帕德伯恩数据集PN ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集95%以上 ●使用对象初学者 ●代码保证故障诊断代码注释详细、即拿即可跑通。!准确率曲线示意图最后给初学者的忠告跑代码前先检查轴承数据是不是活的——用这个脚本快速验证数据质量def check_signal_health(signal): peak np.max(np.abs(signal)) rms np.sqrt(np.mean(signal**2)) crest_factor peak / rms # 峰值因数5说明可能有冲击故障 print(f健康指数{正常 if crest_factor5 else 异常})完整代码已打包成拿来主义版本从数据加载到模型训练一键执行。记住好的故障诊断模型应该像老技师的手——摸一下就知道轴承哪里在呻吟。DSResNet就是把这双手数字化了还自带降噪耳塞功能。
当残差网络遇上轴承故障：一个让噪声闭嘴的故事
优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用振动工程学报2023 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。 利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点分别代替传统深度残差网络中的两个标准卷积层构建出优化后的 DSResNet模型。 将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。 ● 参考文献2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》 ●数据预处理原方法使用的频域已修改为时域信号进行诊断 ●网络模型DSResNet、ResNet、CNN ●数据集凯斯西储大学CWRU、河内大学滚动轴承数据集HUST2023年开源、德国帕德伯恩数据集PN ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集95%以上 ●使用对象初学者 ●代码保证故障诊断代码注释详细、即拿即可跑通。轴承在工业场景里就像社畜的颈椎——每天高负荷运转还容易被忽视。传统故障诊断方法遇到工厂里的强噪声就像开会时隔壁装修准确率直接跳水。今天咱们来盘一盘这个让轴承在噪声中也能喊出我病了的神奇网络——DSResNet。先看数据怎么整。传统方法喜欢把振动信号转成频谱图跟做心电图似的。但这次咱们直接用原始时域信号毕竟轴承疼起来的时候波形变化比心电图更明显。# 加载CWRU数据并添加噪声增强 def load_data_with_noise(file_path, snr10): raw_signal np.load(file_path) noise np.random.normal(0, 1, len(raw_signal)) noise noise / np.linalg.norm(noise) * np.linalg.norm(raw_signal) / (10**(snr/20)) return raw_signal noise # 数据标准化 def normalize(signal): return (signal - np.mean(signal)) / np.std(signal)重点来了深度可分离残差结构才是真·抗噪神器。普通卷积像带着耳塞听演讲而深度可分离卷积是主动降噪耳机——先抓空间特征再处理通道关系计算量还只有原来的1/3。class DepthwiseSeparableConv(nn.Module): def __init__(self, in_channels, out_channels, stride1): super().__init__() self.depthwise nn.Conv1d(in_channels, in_channels, kernel_size3, stridestride, padding1, groupsin_channels) self.pointwise nn.Conv1d(in_channels, out_channels, kernel_size1) def forward(self, x): x self.depthwise(x) # 空间特征提取 x self.pointwise(x) # 通道信息融合 return x整个网络骨架长这样——把ResNet里的标准卷积换成我们的黑科技模块。每层残差结构都像给网络加了弹簧缓冲防止特征信息在深层网络中骨折。class DSResBlock(nn.Module): def __init__(self, channels): super().__init__() self.conv1 DepthwiseSeparableConv(channels, channels) self.conv2 DepthwiseSeparableConv(channels, channels) self.relu nn.ReLU() def forward(self, x): residual x x self.relu(self.conv1(x)) x self.conv2(x) return self.relu(x residual) # 残差连接训练时的数据增强要够脏才有效。我们在原始信号上叠加高斯白噪声模拟工厂里电机轰鸣、设备震动的真实场景。别担心网络学不会这就像让医学生直接去急诊室练手。# 动态噪声增强 class DynamicNoise(object): def __init__(self, min_snr0, max_snr20): self.min_snr min_snr self.max_snr max_snr def __call__(self, signal): snr np.random.randint(self.min_snr, self.max_snr) return add_noise(signal, snr)实验结果才是硬道理。在CWRU数据集上95%的准确率看着平平无奇但注意这是在信噪比-4dB比摇滚演唱会还吵的环境下跑出来的。混淆矩阵里各类故障泾渭分明t-SNE可视化更显示出特征空间的完美聚类。优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用振动工程学报2023 针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题提出了一种基于深度可分离残差网络DSResNet的滚动轴承故障诊断方法。 利用深度可分离卷积DSC计算复杂度低和逐点卷积PWC能增强网络非线性表达的优点分别代替传统深度残差网络中的两个标准卷积层构建出优化后的 DSResNet模型。 将各类故障状态下的时域信号作为 DSResNet 模型的输入进行识别分类。 ● 参考文献2023年振动工程学报EI《优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用》 ●数据预处理原方法使用的频域已修改为时域信号进行诊断 ●网络模型DSResNet、ResNet、CNN ●数据集凯斯西储大学CWRU、河内大学滚动轴承数据集HUST2023年开源、德国帕德伯恩数据集PN ●网络框架pytorch ●结果输出损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●准确率测试集95%以上 ●使用对象初学者 ●代码保证故障诊断代码注释详细、即拿即可跑通。!准确率曲线示意图最后给初学者的忠告跑代码前先检查轴承数据是不是活的——用这个脚本快速验证数据质量def check_signal_health(signal): peak np.max(np.abs(signal)) rms np.sqrt(np.mean(signal**2)) crest_factor peak / rms # 峰值因数5说明可能有冲击故障 print(f健康指数{正常 if crest_factor5 else 异常})完整代码已打包成拿来主义版本从数据加载到模型训练一键执行。记住好的故障诊断模型应该像老技师的手——摸一下就知道轴承哪里在呻吟。DSResNet就是把这双手数字化了还自带降噪耳塞功能。
