基于BI-TCP卷积神经网络的纸机轴承故障诊断方法研究

针对传统纸机轴承故障诊断模型无法有效提取轴承振动信号深层特征而导致诊断精度难以提高，基于深度学习网络模型参数量过大的问题，提出了一种基于双模态输入和双通道并行卷积神经网络（BI-TCP-CNN）的纸机轴承故障诊断方法。该方法首先在输入数据方面进行创新，将轴承振动信号分别转化为对应的格拉姆角场（GAF）矩阵与欧式距离矩阵，并将二者成对组成的二维矩阵作为网络的输入；其次，利用双通道并行的浅层卷积神经网络提取信号中的不同特征并进行融合，在提高特征完备表达的同时大幅降低了模型的参数量。在凯斯西储大学（CWRU）数据集与实验室搭建的故障诊断实物平台上进行的实物验证结果表明，该方法在CWRU数据集以及实物平台上的故障识别精度均在99.2%以上，可很好地实现对纸机轴承的故障诊断。

Fault Diagnosis Method for Paper Machine Bearing Based on BI-TCP Convolutional Neural Network