基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题，提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先，利用谱相关密度能有效抑制高斯噪声的优点，将一维振动信号转变为二维谱相关密度图，用于提高卷积神经网络输入信号的信噪比；然后，将谱相关密度图作为卷积神经网络的输入，通过二维卷积神经网络实现轴承故障特征提取和分类；最后，利用凯斯西储大学标准轴承数据集的试验结果表明，相对于STFT-CNN和CWT-CNN模型，SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外，对SCD-CNN模型的诊断结果，不同阶段的特征图以及分类过程进行了可视化分析，探讨了SCD-CNN模型故障识别准确率提高的深层次原因。