基于改进CNN和Kmeans的双转子轴承半监督故障诊断

摘要：

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络(convolution neural network,简称CNN)难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法.首先,利用自回归(autoregressive,简称AR)模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态.利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络(artificial neural network,简称ANN)等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性.

关键词：双转子轴承、故障诊断、卷积神经网络、自回归模型、Kmeans聚类、半监督学习

所属期刊栏目：43

分类号：TH133.33;TP277

资助基金：NSFC-辽宁联合基金重点资助项目;国家重点研发计划

在线出版日期：2023-11-07（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：945-952