基于AlexNet-Adaboost的多工况滚动轴承故障识别方法

被引：29

作者：

唐贵基

田寅初

田甜

机构：

[1] 华北电力大学(保定)机械工程系

来源：

振动与冲击 | 2022年 / 41卷 / 02期

关键词：

状态识别; 时频图; 滚动轴承; 卷积神经网络(CNN); 自适应提升算法;

D O I：

10.13465/j.cnki.jvs.2022.02.003

中图分类号：

TP18 [人工智能理论]; TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

针对实际工程中滚动轴承多工况下传统故障诊断方法识别率偏低的情况。提出了一种基于AlexNet-Adaboost相结合的滚动轴承故障识别方法。以滚动轴承信号的时频图作为模型输入、分类结果作为模型输出,训练多个AlexNet基分类器;在此基础上利用Adaboost(自适应提升)算法进一步提升得到强分类器,将多工况下滚动轴承信号的时频图输入强分类器进行测试。结果显示,所提方法可实现对多工况下滚动轴承故障有效识别,并且在一定程度上提高了故障分类的准确性。

引用

页码：20 / 25

页数：6

共 14 条

[1]

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断 [J].

万齐杨 ;

熊邦书 ;

李新民 ;

孙伟 .

振动与冲击, 2020, 39 (11) :273-279

[2]

改进Alexnet的滚动轴承变工况故障诊断方法 [J].

赵小强 ;

张青青 .

振动测试与诊断., 2020, 40 (03) :472-480+623

[3]

基于改进卷积神经网络的滚动轴承智能故障诊断研究 [J].

宫文峰 ;

陈辉 ;

张泽辉 ;

张美玲 ;

管聪 ;

王鑫 .

振动工程学报, 2020, 33 (02) :400-413

[4]

基于改进卷积神经网络的滚动轴承故障诊断 [J].

蒙志强 ;

董绍江 ;

潘雪娇 ;

吴文亮 ;

贺坤 ;

梁天 ;

赵兴新 .

组合机床与自动化加工技术, 2020, (02) :79-83

[5]

基于Dropout-CNN的滚动轴承故障诊断研究 [J].

张文风 ;

周俊 .

轻工机械, 2019, 37 (02) :62-67

[6]

基于平移不变CNN的机械故障诊断研究 [J].

朱会杰 ;

王新晴 ;

芮挺 ;

张欲保 ;

李艳峰 .

振动与冲击, 2019, 38 (05) :45-52

[7]

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法 [J].

李恒 ;

张氢 ;

秦仙蓉 ;

孙远韬 .

振动与冲击, 2018, 37 (19) :124-131

[8]

基于一维卷积神经网络的滚动轴承自适应故障诊断算法 [J].

曲建岭 ;

余路 ;

袁涛 ;

田沿平 ;

高峰 .

仪器仪表学报, 2018, 39 (07) :134-143

[9]

Rolling element bearing fault diagnosis using convolutional neural network and vibration image.[J].Duy-Tang Hoang;Hee-Jun Kang.Cognitive Systems Research.2018,

[10]

Deep learning [J].

LeCun, Yann ;

Bengio, Yoshua ;

Hinton, Geoffrey .

NATURE, 2015, 521 (7553) :436-444

← 1 2 →