10.19713/j.cnki.43-1423/u.T20210920
基于GST与改进CNN的滚动轴承智能故障诊断
针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法.使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息.通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN.将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集.利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断.使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升.通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求.
滚动轴承、广义S变换、卷积神经网络、EReLTanh
19
TH133.33;TN911.72
国家自然科学基金;国家自然科学基金;云南省科技计划资助项目
2022-08-29(万方平台首次上网日期,不代表论文的发表时间)
共11页
2050-2060