基于STL-1 DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足，难以对其进行建模分析，针对这一问题，以美国辛辛那提大学IMS数据集为研究对象，提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先，通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘，得到了健康样本的重构误差；然后，采用概率分布的方式拟合了健康样本重构误差信号，并计算了其正太分布参数；最后，利用时间序列分解(STL)方法分析了轴承的重构误差曲线，利用趋势项分量确定了轴承故障的发生时间。研究结果表明：该方法能够充分提取轴承故障特征，自适应地确定样本临界阈值，避免轴承异常状态的高误判率，准确识别3个轴承异常信号发生的时间戳为760、1 780、1 700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签，实现数据标签化处理。

Fault diagnosis of bearings based on STL-1 DDCAE