基于CAE和CNN的变工况下滚动轴承智能故障诊断研究

作     者：周文宣 刘洋 邓敏强 丁雪 邓艾东 ZHOU Wenxuan;LIU Yang;DENG Minqiang;DING Xue;DEND Aidong

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] 

基　　金：国家自然科学基金资助项目(51875100) 

主　　题：滚动轴承 故障诊断 卷积自编码 卷积神经网络 

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。