|
|||||
|
|
| 基于FSST-Res Net的滚动轴承变工况数据故障诊断研究 | |
| 引用本文： | 张萍,张文海,卢盛欣,孟雷,李练兵.基于FSST-Res Net的滚动轴承变工况数据故障诊断研究[J].现代制造工程,2022(11):130-136. |
| 作者姓名： | 张萍 张文海 卢盛欣 孟雷 李练兵 |
| 作者单位： | 1. 河北省电磁场与电器可靠性重点实验室;2. 河北工业大学人工智能与数据科学学院;3. 河北建投海上风电有限公司 |
| 摘 要： | 针对滚动轴承运行工况复杂多变，难以诊断的问题，提出一种基于短时傅里叶的同步压缩变换(FSST)与残差神经网络(ResNet)相结合的故障诊断方法。该方法对轴承振动信号做短时傅里叶变换后，将时频系数压缩重排，生成基于FSST时频图在3种变工况下的训练集和测试集。考虑到深度模型的网络退化问题，采用ResNet模型对数据集进行时频特征提取和故障诊断，进一步提升轴承故障诊断的精度。通过3种变工况实验证明了该方法的有效性和可行性，平均诊断准确率高达98.9%,与其他方法相比，诊断精度有较大提高。 |
| 关 键 词： | 滚动轴承 故障诊断 变工况 同步压缩变换 残差神经网络 |