基于SW-DBA-DCNN的滚动轴承故障诊断方法

摘要：

针对滚动轴承故障诊断过程中出现的数据样本量不平衡问题,论文提出一种基于Sliding Window-Dynamic Time Warping Barycentric Averaging(SW-DBA)的数据扩增方法,并构建深度卷积神经网络模型用于故障诊断.首先,通过分析传统数据扩增方法,提出基于SW-DBA的数据扩增模型.其次,通过搭建深度卷积神经网络建立故障诊断模型,并将利用扩增的新数据序列作为非平衡样本的补充,实现非平衡样本下的故障诊断.最后,通过人为设置两组不平衡样本下数据扩增前后的对比实验,分析故障诊断准确率分别由90.32%和80.57%提升至93.33%和93.04%,验证论文提出方法能有效改善数据不平衡问题.

关键词：故障诊断、数据扩增、DBA、DCNN

所属期刊栏目：43

分类号：TH17

在线出版日期：2023-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：146-152