文献类型：期刊文章

作　　者：徐卓飞[1] 李旭东[1] 张婵婵[1] 侯和平[1] 张武[2]

Xu Zhuofei;Li Xudong;Zhang Chanchan;Hou Heping;Zhang Wu(Faculty of Printing Packaging Engineering and Digital Media Technology,Xi'an University of Technology,Xi'an 710048,China;College of Mechanical Engineering,Xi'an University of Science and Technology,Xi'an 710054,China)

机构地区：[1]西安理工大学印刷包装与数字媒体学院,西安710048 [2]西安科技大学机械工程学院,西安710054

出　　处：《仪器仪表学报》

基　　金：中国博士后基金(2019M663783);陕西省自然科学基础研究计划(2021JM-334);陕西省技术创新引导专项-区域创新能力引导计划(2020QFY03-06)项目资助。

年　　份：2022

卷　　号：43

期　　号：10

起止页码：241-251

语　　种：中文

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

摘　　要：针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型:首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。

关 键 词：孪生网络  卷积神经网络 连续小波变换 故障诊断  

分 类 号：TH17]