文献类型：期刊文章

作　　者：许理[1] 李戈[2] 余亮[1] 姚毅[1]

XU Li;LI Ge;YU Liang;YAO Yi(School of Automation and Information Engineering;School of Physics and Electronic Engineering,Sichuan University of Science ＆ Engineering,Zigong 643000,China)

机构地区：[1]四川理工学院自动化与信息工程学院,四川自贡643000 [2]四川理工学院物理与电子工程学院,四川自贡643000

出　　处：《四川理工学院学报（自然科学版）》

年　　份：2018

卷　　号：31

期　　号：3

起止页码：54-59

语　　种：中文

收录情况：CAS、IC、UPD、普通刊

摘　　要：滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。

关 键 词：滚动轴承 小波包 卷积神经网络 故障诊断  fine-tuning技术  

分 类 号：TP391.4]