基于MWT和CNN的滚动轴承智能复合故障诊断方法

被引：27

作者：

韩涛

袁建虎

唐建

安立周

机构：

[1] 解放军理工大学野战工程学院

来源：

机械传动 | 2016年 / 40卷 / 12期

关键词：

滚动轴承; 智能复合故障诊断; 多小波变换; 卷积神经网络;

D O I：

10.16578/j.issn.1004.2539.2016.12.031

中图分类号：

TH133.33 [滚动轴承];

学科分类号：

摘要：

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。

引用

页码：139 / 143

页数：5

共 10 条

[1]

汽轮发电机组振动多故障诊断模型及方法研究.[D].张彼德.重庆大学.2002, 02

[2]

滚动轴承复合故障的智能诊断系统研究.[D].陈云强.燕山大学.2013, 02

[3] 复合故障诊断技术综述 [J].

张可 ;

周东华 ;

柴毅 .

控制理论与应用, 2015, 32 (09) :1143-1157

[4] 时空域深度卷积神经网络及其在行为识别上的应用 [J].

刘琮 ;

许维胜 ;

吴启迪 .

计算机科学, 2015, 42 (07) :245-249

[5] 多小波自适应构造方法及滚动轴承复合故障诊断研究 [J].

王晓冬 ;

何正嘉 ;

訾艳阳 .

振动工程学报, 2010, 23 (04) :438-444

[6] 基于提升多小波的机电设备复合故障分离和提取 [J].

袁静 ;

何正嘉 ;

訾艳阳 .

机械工程学报, 2010, 46 (01) :79-85+91

[7]

AU-inspired Deep Networks for Facial Expression Feature Learning..LIU M;LI S;SHAN S;et al;.Neurocomputing.2015,

[8] A Comparative Study on Multiwavelet Construction Methods and Customized Multiwavelet Library for Mechanical Fault Detection [J].

Yuan, Jing ;

Wei, Chenjun ;

Zou, Bo ;

Zhu, Jun ;

Wei, Ying ;

Zi, Yanyang ;

Zhou, Yu .

SHOCK AND VIBRATION, 2015, 2015

[9]

Gearbox Fault Identification and Classification with Convolutional Neural Networks.[J].ZhiQiang Chen;Chuan Li;René-Vinicio Sanchez;Dong Wang.Shock and Vibration.2015,

[10] Hybrid fault-feature extraction of rolling element bearing via customized-lifting multi-wavelet packet transform [J].

Liao, Qiang ;

Li, Xunbo ;

Huang, Bo .

PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART C-JOURNAL OF MECHANICAL ENGINEERING SCIENCE, 2014, 228 (12) :2204-2216

← 1 →