基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断

作     者：石怀涛 李宁宁 赵金宝 佟圣皓 SHI Huaitao;LI Ningning;ZHAO Jinbao;TONG Shenghao

作者机构：沈阳建筑大学机械工程学院辽宁沈阳110168 

出 版 物：《沈阳建筑大学学报（自然科学版）》 (Journal of Shenyang Jianzhu University：Natural Science)

年 卷 期：2022年第38卷第6期

页      面：1129-1137页

学科分类：08[工学] 0813[工学-建筑学] 081301[工学-建筑历史与理论] 

基　　金：国家自然科学基金项目(51905357,51705341,51675353) 辽宁省自然科学基金项目(2019-ZD-0654) 河北省重点研发计划项目(19211904D) 

主　　题：压缩采集 卷积神经网络 支持向量机 滚动轴承 故障诊断 

摘      要：目的 针对传统卷积神经网络训练时间长、易过拟合、故障诊断精度低、抗噪能力差等问题,提出一种基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断模型,降低滚动轴承故障数据的冗余度。方法 首先,使用压缩采集技术去除实验样本中的冗余信息;然后,使用三层卷积神经网络(CNN)对采集数据进行故障特征提取,在网络中加入Dropout层、Batch Normalization层、全局平均池化层来防止网络的过拟合,加强网络提取特征的能力;最后,用多分类支持向量机(SVM)对提取特征进行分类。结果 研究表明:模型对故障诊断精度达到了99.4%,比CNN_SVM,PCA_SVM,1D_CNN等模型故障诊断效果突出,对含噪的实验数据具有去噪功能。结论 笔者所提出的模型诊断精度高,且具有很强的学习能力和降噪能力。