基于谱相关密度和卷积神经网络的轴承故障诊断
Fault Diagnosis for Bearings Based on Spectral CorrelationDensity and Convolutional Neural Network作者机构:天津职业技术师范大学机械工程学院天津300222
出 版 物:《轴承》 (Bearing)
年 卷 期:2023年第5期
页 面:75-82页
学科分类:0711[理学-系统科学] 07[理学] 08[工学] 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(51375319) 天津市科技计划资助项目(22YDTPJC00740) 芜湖市科技计划资助项目(2021jc1-6)。
主 题:滚动轴承 故障诊断 卷积神经网络 谱密度 时频分析 可视化
摘 要:针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。