基于机匣信号的滚动轴承故障卷积神经网络诊断方法

论文摘要

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。

论文目录

• 1 卷积神经网络
•   1.1 卷积层
•   1.2 池化层
•   1.3 全连接层
• 2 带机匣的航空发动机转子实验器滚动轴承故障模拟实验
•   2.1 航空发动机转子实验器
•   2.2 滚动轴承故障模拟实验
•   2.3 机匣信号中滚动轴承故障特征的微弱性
• 3 基于卷积神经网络的故障诊断方法
•   3.1 智能故障诊断流程
•   3.2 数据处理
• 4 实验结果分析
•   4.1 卷积神经网络结构参数的选取
•   4.2 轴承座测点上的故障分类结果
•   4.3 机匣测点上的故障分类结果
• 5 结论

文章来源

类型: 期刊论文

作者: 张向阳,陈果,郝腾飞,贺志远,李栩进,成震杰

关键词: 滚动轴承,机匣信号,卷积神经网络,小波尺度谱,故障诊断

来源: 航空动力学报 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 航空航天科学与工程

单位: 南京航空航天大学民航学院,南京工程学院汽车与轨道交通学院

基金: 国家自然科学基金（51675263）,国家科技重大专项（2017-Ⅳ-0008-0045）,南京工程学院高层次引进人才科研启动基金（YK201515)

分类号: V263.6

DOI: 10.13224/j.cnki.jasp.2019.12.022

页码: 2729-2737

总页数: 9

文件大小: 585K

下载量: 285