基于卷积神经网络的轴承故障诊断研究

摘要：

针对复杂工况下的采煤机摇臂轴承故障诊断,以经典AlexNet为基础,为适应一维时域信号,采用滑窗法,以滑窗长度150 ms,移动步长120 ms构建样本,建立一种由池化层和多级交替卷积层组成的轴承故障诊断模型1CNN,可完成原始输入信号特征的自适应提取,并通过全连接层分类识别轴承故障.为验证1CNN模型故障诊断率,利用机械综合故障试验台对MG650/1750-WD采煤机摇臂轴承6008-2Z内圈、外圈、滚子不同形态及大小的故障测试试验,得到振动信号的时域频谱.通过1CNN模型直接读取振动信号时域数据的故障识别试验,结果表明:1 CNN模型算法识别准确率达到99.6％,是一种有效的采煤机截割系统轴承故障诊断技术.

关键词：神经网络;深度学习;摇臂;振动;故障诊断

所属期刊栏目：40

分类号：TP18;TH133(自动化基础理论)

资助基金：国家发改委矿用新装备新材料准入实验室建设项目2019-704

在线出版日期：2022-01-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：121-128