基于MTF-CNN的轴承故障诊断研究

摘要：

轴承故障诊断对保证机械设备的安全十分重要.近年来,数据驱动的故障诊断方法得到了研究者的关注.与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类.针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法.利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类.采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8％以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能.

关键词：故障诊断、深度学习、马尔可夫变迁场(MTF)、卷积神经网络(CNN)

所属期刊栏目：42

分类号：TH133.33

资助基金：国家重点研发计划;国家自然科学基金;国家自然科学基金;石家庄铁道大学研究生创新资助项目

在线出版日期：2023-02-10（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：126-131