当前位置：首页 > news >正文

用WDCNN实现轴承智能故障诊断：挖掘其优越抗噪能力

news 2026/5/11 15:45:45

DL00351-首层卷积为宽卷积的WDCNN的实现优越抗噪能力轴承的智能故障诊断首层卷积为宽卷积的深度神经网络Deep Convolutional Neural Networks with Wide First-layer Kernels (WDCNN)的实现，该模型具有优越的抗噪能力，可用于轴承的智能故障诊断。

在工业领域，轴承作为关键部件，其故障诊断至关重要。今天咱就来讲讲如何通过首层卷积为宽卷积的深度神经网络（WDCNN）实现对轴承的智能故障诊断，以及它那优越的抗噪能力到底是咋回事。

WDCNN的原理简述

WDCNN特别之处就在于首层卷积采用宽卷积。宽卷积相较于普通卷积，在感受野上有着独特的优势。普通卷积可能会丢失一些周边信息，而宽卷积能够让模型在一开始就获取更广泛的输入信息，为后续的特征提取打下坚实基础，这对于捕捉轴承故障信号中的关键特征尤为重要。

代码实现

导入必要的库

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

在这个代码块中，我们导入了tensorflow库，这是深度学习中常用的框架。Sequential用于构建顺序模型，Conv1D是一维卷积层，我们的轴承数据是一维的时间序列信号，所以用Conv1D很合适。MaxPooling1D用于下采样，Flatten把多维数据展平，Dense是全连接层。

构建WDCNN模型

model = Sequential() model.add(Conv1D(filters = 16, kernel_size = 64, strides = 1, padding='same', activation='relu', input_shape=(input_length, 1))) model.add(MaxPooling1D(pool_size = 2)) model.add(Conv1D(filters = 32, kernel_size = 3, strides = 1, padding='same', activation='relu')) model.add(MaxPooling1D(pool_size = 2)) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dense(num_classes, activation='softmax'))

这里我们开始搭建模型。首先第一层Conv1D就是首层宽卷积，kernelsize = 64体现了“宽”，filters = 16表示生成16个特征图，padding='same'保证卷积后输出的长度和输入一样。激活函数选择relu，能有效解决梯度消失问题。接下来是MaxPooling1D，把数据大小减半，减少计算量同时保留主要特征。之后又是一层普通的Conv1D和MaxPooling1D，进一步提取特征。Flatten把多维数据变成一维，方便全连接层处理。最后两层Dense，第一层有128个神经元，最后一层神经元个数是类别数numclasses，用softmax激活函数进行分类。

模型训练与抗噪能力体现

在训练模型时，我们使用带有噪声的轴承数据。神奇的是，由于WDCNN首层宽卷积能捕捉到更全面的信息，在面对噪声干扰时，模型依然能够准确提取故障特征。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs = num_epochs, batch_size = batch_size, validation_data=(x_val, y_val))

通过compile方法配置训练过程，使用adam优化器，categoricalcrossentropy损失函数。在fit方法中，用带噪声的训练数据xtrain和标签ytrain进行训练，并在验证集(xval, y_val)上评估。实际测试中，你会发现WDCNN在含噪数据上的准确率相比一些普通卷积神经网络有显著提升，充分展示了其优越的抗噪能力。