基于小波时频图和CNN的滚动轴承智能故障诊断方法

被引：94

作者：

袁建虎

韩涛

唐建

安立周

机构：

[1] 解放军理工大学野战工程学院

来源：

机械设计与研究 | 2017年 / 33卷 / 02期

关键词：

滚动轴承; 智能故障诊断; 连续小波变换; 小波时频图; 卷积神经网络;

D O I：

10.13952/j.cnki.jofmdr.2017.0115

中图分类号：

TH133.33 [滚动轴承];

学科分类号：

摘要：

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。

引用

页码：93 / 97

页数：5

共 11 条

[1] 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

[2] 基于时频图像特征提取的状态识别方法研究与应用 [J].

李宏坤 ;

周帅 ;

黄文宗 .

振动与冲击, 2010, 29 (07) :184-188+244

[3] 基于连续小波灰度图的变速箱故障诊断 [J].

张梅军 ;

唐建 ;

陈江海 .

振动、测试与诊断, 2007, (01) :65-66+87

[4] 应用连续小波变换提取机械故障的特征 [J].

刘刚 ;

屈梁生 ;

不详 .

西安交通大学学报 , 2000, (11) :74-77

[5] 连续小波变换及其在滚动轴承故障诊断中的应用 [J].

林京 .

西安交通大学学报, 1999, (11) :110-112

[6]

深度学习及其在手写汉字识别中的应用研究.[D].王有旺.华南理工大学.2014, 01

[7]

卷积神经网络在图像识别上的应用的研究.[D].许可.浙江大学.2012, 07

[8]

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

[9] Detecting text in natural scene images with conditional clustering and convolution neural network [J].

Zhu, Anna ;

Wang, Guoyou ;

Dong, Yangbo ;

Iwana, Brian Kenji .

JOURNAL OF ELECTRONIC IMAGING, 2015, 24 (05)

[10] Artificial neural network-based induction motor fault classifier using continuous wavelet transform [J].

Jawadekar, Anjali ;

Paraskar, Sudhir ;

Jadhav, Saurabh ;

Dhole, Gajanan .

SYSTEMS SCIENCE & CONTROL ENGINEERING, 2014, 2 (01) :684-690

← 1 2 →