文献类型：期刊文章

作　　者：仝钰[1] 庞新宇[1] 魏子涵[1]

TONG Yu;PANG Xinyu;WEI Zihan(College of Mechanical and Transport Engineering,Taiyuan University of Technology,Taiyuan 030024,China)

机构地区：[1]太原理工大学机械与运载工程学院,太原030024

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51805352);山西省面上自然基金项目(201901D111062)。

年　　份：2021

卷　　号：40

期　　号：5

起止页码：247-253

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。

关 键 词：轴承故障诊断 深度学习  格拉姆角差域  卷积神经网络

分 类 号：TH212]