基于多输出一维卷积神经网络的轴承故障诊断

轴承作为用途最为广泛的零部件之一，其可以有效减缓旋转部件之间的摩擦力从而避免损坏，并且可以固定旋转轴。然而，在恶劣条件下连续工作会导致不可避免的故障。因此，对于工厂来说，进行轴承故障类型以及故障程度诊断越来越有必要。近些年来，随着深度神经网络，特别是卷积神经网络(convolutional neural network，CNN)的出现，使得智能诊断方法在精度方面取得了显著的提升。然而，在复杂的实际工业场景下，除了准确性之外，效率问题也需要提起重视。针对目前的多数CNN网络或效率低或不能检测故障程度的问题，提出了一种基于一维卷积神经网络的多输出分类的方法。方法利用提取的相关特征同时进行轴承故障类型分类和故障程度(裂纹尺寸)分类，与传统的基于CNN的多类分类相比，在多输出分类中利用相关特征提高了诊断的准确性和效率。