-
题名基于小波包与CNN的滚动轴承故障诊断
被引量：10
- 1
-
-
作者
许理
李戈
余亮
姚毅
-
机构
四川理工学院自动化与信息工程学院
四川理工学院物理与电子工程学院
-
出处
《四川理工学院学报（自然科学版）》
CAS
2018年第3期54-59,共6页
-
文摘
滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。
-
关键词
滚动轴承
小波包
卷积神经网络
故障诊断
fine-tuning技术
-
Keywords
rolling bearing
wavelet packet
eonvolutional neural network
fault diagnosis
fine-tuning technology
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
