一种基于对称极坐标优化的轴承深度迁移诊断方法

摘要：

针对一维机械振动信号的图形化特征表示问题,引入了对称极坐标表示法,同时结合卷积神经网络强大的图像分类识别能力,提出了一种基于对称极坐标和残差网络迁移学习的轴承故障诊断方法.为突显轴承振动信号故障特征并兼顾计算效率,利用对称极坐标表示法将一维机械振动信号快速转换成镜面对称雪花图,利用NSGA-II同步优化了数据采样长度和对称极坐标表示法的参数,获取可区分性更好的极坐标对称图像特征,然后利用残差网络进行迁移学习的训练和分类,结合美国西储大学轴承公开数据集对此方法进行验证,取得了良好的识别效果.

关键词：故障诊断、对称极坐标、特征提取、迁移学习、残差网络

所属期刊栏目：44

分类号：TH132.41;TN165.3

资助基金：国家自然科学基金51305454

在线出版日期：2022-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：541-546