多模态学习方法在滚动轴承故障诊断中的应用

作     者：薛阳 雷文平 岳帅旭 徐向阳 王坤 XUE Yang;LEI Wenping;YUE Shuaixu;XU Xiangyang;WANG Kun

作者机构：郑州大学振动工程研究所郑州450001 

出 版 物：《机械科学与技术》 (Mechanical Science and Technology for Aerospace Engineering)

年 卷 期：2022年第41卷第8期

页      面：1149-1153页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 

基　　金：国家自然科学基金项目(51405453) 河南省高等学校精密仪器制造技术与工程重点学科开放实验室开放基金项目(PMTE301301A)。 

主　　题：多模态学习 故障诊断 滚动轴承 变载荷 噪声 

摘      要：滚动轴承在实际运行中负载多变且噪声干扰较大,导致故障特征提取及诊断困难,针对此问题本研究提出一种用于机械设备故障诊断的深度学习方法(MF⁃CNN),该方法将多模态融合技术(MFT)与卷积神经网络(CNN)结合,用卷积神经网络对一种工况下的滚动轴承故障数据分别提取时域、频域两个模态特征并融合,将融合后的特征作为故障分类的依据来构建整个网络,对变工况下的未知故障类型的数据进行测试,实现时域、频域双模态对轴承故障类型的联合诊断。大量实验结果表明,在变载荷和噪声下,MF⁃CNN模型用于故障诊断的准确率相对传统单模态的时域CNN和频域CNN均有提高,对由重载荷向轻载荷变化的工况下准确率提升更为明显。