基于CAE和CNN的变工况下滚动轴承智能故障诊断研究
Research on Intelligent Fault Diagnosis of Rolling Bearings Under Variable Conditions Based on CAE and CNN作者机构:国家能源集团宿迁发电有限公司江苏宿迁223803 东南大学能源与环境学院火电机组振动国家工程研究中心南京210096
出 版 物:《动力工程学报》 (Journal of Chinese Society of Power Engineering)
年 卷 期:2022年第42卷第1期
页 面:43-48页
核心收录:
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
摘 要:针对变工况下滚动轴承的状态评估问题,提出了一种基于卷积神经网络(CNN)和卷积自编码(CAE)的故障诊断方法:首先将单一工况下有标签的数据和变工况下无标签的数据输入到CAE的编码器中,得到特征参数矩阵F;然后将由单一工况下数据得到的F输入到CNN轴承故障诊断模型中,得到状态类型并计算损失,将由全部数据得到的F输入到CAE的解码器得到重构数据并计算损失,根据这两个损失之和进行反向传播训练;最后将变工况下的数据输入到CAE编码器和CNN模型中得到状态类别。结果表明:CAE使不同工况下的数据经过编码器后得到的F分布更为接近,CAECNN模型的故障诊断准确率高于97%,可有效应用于变工况下滚动轴承的智能故障诊断。