采用多通道样本和深度卷积神经网络的轴承故障诊断方法

发布时间：2021-11-08 20:03

　　提出了一种新的多通道样本构造方法,结合深度卷积神经网络来提高轴承故障诊断的效果。首先采用连续小波变换,分别提取了转子两端轴承振动信号的时频域特征,基于所得结果分别构造了针对两端轴承的单通道二维图形样本,并取上述两类单通道样本的均值构造了第3类单通道样本;将得到的3类单通道样本融合,得到用于故障诊断的三通道样本;建立不同结构的深度卷积神经网络,分别采用单通道样本和三通道样本对滚动轴承故障类型和故障严重程度进行诊断,并将所得结果进行对比分析。结果表明:在多种不同网络结构下,基于三通道样本的轴承故障诊断准确率均明显优于单通道样本,证明了提出的多通道样本构造方法在轴承故障诊断中有着更好的效果,可以为轴承故障诊断方法和样本构建提供参考。 

【文章来源】：西安交通大学学报. 2020,54(08)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

深度卷积神经网络结构

轴承故障识别流程

本文使用了来自美国西储大学（CWRU）公开数据集[22]的深沟球轴承振动数据集，使用的数据为电动机驱动端轴承发生故障情况下，驱动端和风扇端两侧加速度传感器采集的振动信号。图3为测量数据所用的实验台，图4为驱动端轴承结构。图4 滚动轴承（SKF 6205-2RS）结构


本文编号：3484109