Face à de nombreux bruits lors du fonctionnement des machines tournantes, il a été constaté un problème de faible résistance au bruit dans le processus de diagnostic des défaillances des machines tournantes avec un réseau à canal unique. Un modèle de réseau neuronal à convolution avec un double canal d'entrée incorporé a été proposé. La validité du modèle a été testée à l'aide de l'ensemble de données des roulements de l'université Case Western Reserve, sur cette base, un bruit blanc gaussien avec un rapport signal/bruit de -10 dB a été ajouté pour simuler une situation de bruit réelle ; en utilisant des transformations de Fourier à court terme, les données de vibration du ventilateur du moteur et de l'entraînement ont été traitées, les images temps-fréquence obtenues ont été transmises à l'entrée à double canal du réseau neuronal à convolution Let Net-5 pour l'apprentissage. Les résultats de l'étude montrent que le modèle de réseau neuronal à convolution avec double entrée Let Net-5 peut bien capturer les caractéristiques des défaillances dans un environnement bruyant ; par rapport aux autres modèles tels que la fusion de caractéristiques multi-échelles, des réseaux neuronaux d'entrée multi-modaux, les modèles de voisins les plus proches et d'arbres de décision traditionnels, ainsi que le modèle de réseau neuronal à convolution Let Net-5 à canal unique, le modèle de réseau neuronal à convolution avec double entrée Let Net-5 présente une efficacité et une précision plus élevées.

diagnostic des défaillances; vibration; apprentissage en profondeur; double canal; bruit