-
题名基于CNN和声音时频特征图的微型振动马达故障判别
被引量：1
- 1
-
-
作者
冯涛
王杰
方夏
刘剑歌
黄思思
-
机构
四川大学机械工程学院
-
出处
《中国测试》
CAS
北大核心
2019年第10期120-127,共8页
-
基金
四川省科技计划资助(2019YFG0356)
四川省科技厅重点研发项目(2019YFG0359)
-
文摘
为解决人耳听音判别微型振动马达故障困难的局面,提出基于CNN和声音时频特征图的微型马达故障判别方法。通过采集微型振动马达运转过程中的声音信号,进行短时傅里叶变换获得二维时频特征灰度图。将通过经验人员反复听音和相关设备辨别的工件制作成训练集和测试集,通过CNN对训练集中时频特征图进行学习,使网络模型能够具有马达故障判别功能,并在测试集上进行验证。在训练集准确率为99.2%时,测试集准确率为94.1%。为验证模型在实际坏件判别中的可靠性,对6种单一破坏的零件进行分类,平均判别准确率达90%。结果表明:基于CNN和声音时频特征图的微型马达故障判别方法在微型振动马达的故障判别上有可靠的效果,能够运用于工业环境中取代传统的人耳听音判别故障的方法。
-
关键词
振动马达
故障判别
时频特征图
卷积神经网络
-
Keywords
vibration motor
fault detection
time-frequency characteristic map
convolutional neural network
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进AlexNet模型的滚动轴承故障诊断方法
- 2
-
-
作者
华金榜
杨文军
程志林
温洪泉
曾良才
-
机构
武汉科技大学机械自动化学院
武汉科技大学冶金装备及其控制教育部重点实验室
-
出处
《农业装备与车辆工程》
2024年第8期88-94,共7页
-
基金
国家重点研发计划(2021YFB2011200)。
-
文摘
针对传统方法难以提取滚动轴承故障特征、诊断精度不佳且模型结构复杂等问题,提出一种改进Alexnet模型的滚动轴承故障诊断方法。首先,将滚动轴承各故障振动信号转化为富含时频信息的二维特征图样本集,按一定比例划分为训练集与验证集;然后针对AlexNet模型中存在的模型训练速度慢、准确性不高等缺点进行改进,使用ImageNet图像数据集对改进模型进行训练,并保存训练过程获取的知识;最后将保存的训练信息迁移应用于改进模型对轴承故障数据集的诊断。通过改进前后模型对部分cifar-10图像数据集的训练与验证情况证明了改进模型的优化效果,对比常见网络模型对轴承10类别故障诊断情况,所提方法具有更好的诊断效率和诊断精度。
-
关键词
滚动轴承
故障诊断
改进Alexnet模型
迁移学习
时频特征图
-
Keywords
rolling bearings
fault diagnosis
improved AlexNet model
transfer learning
time frequency characteristic map
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
