关键词：故障诊断;稠密网络;短时傅里叶变换;曼哈顿距离
摘 要：传统神经网络模型的故障诊断准确率难以保证，为了提高网络模型的故障识别率，提出了一种基于DenseNet的多元并行网络（Multi-branch-DenseNet,MBDN）机械故障诊断方法。先对采集到的时域信号进行短时傅里叶变换，将一维时序信号转换为包含信号特征的RGB图像。再将不同类型的特征图像进行配对形成样本对，将样本对分别输入并行网络的各个分支中，每个分支并行计算得到不同的特征参数。比较不同类型故障特征之间的相似度得到相似分数，根据相似分数的大小并对模型进行优化，模型优化程度通过设定的阈值进行控制。最后通过比较不同特征的相似度来识别机械故障，相似度较高的特征参数被判定为同类型特征。模型采用康涅狄格大学齿轮故障公开数据集进行训练与验证，MBDN网络识别准确率可达97.6%，比2DCNN网络高8.4%，其他3个评判指标分别得分95.25%、97.43%、95.46%，这表明MBDN比其他网络模型性能更为优异，具有较高的实用价值。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取