文献类型：期刊文章

作　　者：雷春丽[1,2] 夏奔锋[1,2] 薛林林[1,2] 焦孟萱[1,2] 张护强[1,2]

LEI Chunli;XIA Benfeng;XUE Linlin;JIAO Mengxuan;ZHANG Huqiang(School of Mechanical and Electronical Engineering,Lanzhou University of Technology,Lanzhou 730050,China;Key Laboratory of Digital Manufacturing Technology and Application,Ministry of Education,Lanzhou University of Technology,Lanzhou 730050,China)

机构地区：[1]兰州理工大学机电工程学院,兰州730050 [2]兰州理工大学数字制造技术与应用省部共建教育部重点实验室,兰州730050

出　　处：《振动与冲击》

基　　金：国家重点研发计划(2018YFB1703105);国家自然科学基金(51465035);甘肃省自然科学基金(20JR5RA466)。

年　　份：2022

卷　　号：41

期　　号：9

起止页码：151-158

语　　种：中文

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

摘　　要：针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。

关 键 词：故障诊断 滚动轴承 马尔科夫转移场(MTF)  卷积神经网络(CNN)  

分 类 号：TH133.33]