基于卷积神经网络图像分类的轴承故障模式识别

摘要：

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法.首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选.其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理.最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别.将该方法与同类方法进行了对比,分类正确率提高了4.26％.

关键词：集合经验模态分解(EEMD)、伪魏格纳-威利时频分析(PWVD)、卷积神经网格(CNN)、图像分类、轴承、模式识别

所属期刊栏目：39

分类号：TH133.3

在线出版日期：2020-04-10（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：165-171