基于改进谱峭度与一维卷积神经网络的轴承故障诊断

由于轴承所处工况的复杂性,其振动信号中包含了各种噪声和干扰,导致传统信号处理方法效果不理想.因此,很多研究将信号处理方法与神经网络相结合对故障进行诊断,卷积神经网络(CNN)因其对图像具有独特的特征提取能力而被引入故障诊断领域.而通过信号处理构造的图像可能存在信息冗余问题,将信息冗余图像直接作为网络输入会增加其复杂度.针对上述问题提出了一种基于改进谱峭度与一维CNN的故障分类方法.改进谱峭度方法克服了非高斯噪声和偶然性冲击的影响,能很快地选择正确的滤波频带.考虑到构造谱峭度图的原理,将谱峭度图转换成一维序列信号,作为一维CNN输入进行故障分类,相比于直接将谱峭度图输入二维CNN中,该方法去除了图像的冗余信息,减少了网络结构参数,降低了网络复杂度.通过二组数据分析验证了该文方法的有效性和泛化性.

Bearing Fault Diagnosis Based on an Improved Kurtogram Kurtosis and One-Dimensional Convolution Neural Network