文献类型：期刊文章

作　　者：李恒[1] 张氢[1] 秦仙蓉[1] 孙远韬[1]

LI Heng;ZHANG Qin;QIN Xianrong;SUN Yuantao(School of Mechanical Engineering,Tongji University,Shanghai 201804,China)

机构地区：[1]同济大学机械与能源工程学院,上海201804

出　　处：《振动与冲击》

基　　金：国家科技支撑计划项目(2014BAF08B05; 2015BAF06B05)

年　　份：2018

卷　　号：37

期　　号：19

起止页码：124-131

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。

关 键 词：滚动轴承 故障诊断 短时傅里叶变换 卷积神经网络

分 类 号：TH212] TH213.3