10.19557/j.cnki.1001-9944.2021.07.010
基于CNN-RF滚动轴承故障诊断研究
滚动轴承在发生故障时,由于故障振动信号具有非稳定性、非线性的特点,传统的诊断方法无法对故障特征进行自动提取,导致故障的分类正确率偏低.为了实现故障特征的自动提取从而提高故障识别率,该文提出了一种基于卷积神经网络(convolutional neural networks,CNN)与随机森林(random forests,RF)相结合的滚动轴承故障识别的方法.首先,将轴承的原始一维目标振动信号转化为二维的振动灰度图;然后,将振动灰度图输入到卷积神经网络中自动进行特征提取;最后,利用随机森林进行分类.仿真结果表明,该文采用的方法对轴承的故障识别正确率可达99.79%,优于传统的故障诊断方法,说明该方法对轴承故障诊断问题的有效性.
滚动轴承、卷积神经网络、随机森林、振动灰度图、故障诊断
36
TH16
2021-08-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
51-57