基于卷积降噪自编码器和CNN的滚动轴承故障诊断

被引：35

作者：

张立智

井陆阳

徐卫晓

谭继文

机构：

[1] 青岛理工大学机械与汽车工程学院

来源：

组合机床与自动化加工技术 | 2019年 / 06期

关键词：

滚动轴承; 故障诊断; 卷积降噪编码器; 深度卷积网络; 特征提取;

D O I：

10.13462/j.cnki.mmtamt.2019.06.016

中图分类号：

TH133.33 [滚动轴承]; TN762 [编码器]; TP183 [人工神经网络与计算];

学科分类号：

080508 [光电信息材料与器件]; 082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

针对滚动轴承故障诊断中,振动信号往往具有非线性与非平稳性、且振动信号一般含有噪声的问题,提出一种卷积降噪自编码器和深度卷积网络(CNN)相结合的滚动轴承故障诊断方法。首先将滚动轴承时域信号输入到卷积降噪自编码器中,用无监督方式训练并在原始数据中加入噪声,提取自编码器隐含层数据作为特征实现降噪与降维,接着将提取的特征输入到CNN中进行模式识别。使用时域信号直接输入到CNN、人工特征输入到CNN两种方法作为对比,并对三种方法提取的特征进行主成分分析(PCA)。实验结果表明,基于卷积降噪自编码器和CNN的诊断方法在滚动轴承故障诊断中正确率较高、时间复杂度较低,验证了该方法的优越性。

引用

页码：58 / 62

页数：5

共 11 条

[1]

A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox.[J].Luyang Jing;Ming Zhao;Pin Li;Xiaoqiang Xu.Measurement.2017,

[2]

Convolutional Neural Network Based Fault Detection for Rotating Machinery.[J].Olivier Janssens;Viktor Slavkovikj;Bram Vervisch;Kurt Stockman;Mia Loccufier;Steven Verstockt;Rik Van de Walle;Sofie Van Hoecke.Journal of Sound and Vibration.2016,

[3]

Multifeatures Fusion and Nonlinear Dimension Reduction for Intelligent Bearing Condition Monitoring [J].