基于小波包与CNN的滚动轴承故障诊断

• 作者: 余亮 姚毅 李戈 许理
• 来源期刊: 四川理工学院学报（自然科学版）
• 学科: 工学
• 关键词: 滚动轴承 小波包 卷积神经网络 故障诊断 fine-tuning技术
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 机械、电子及计算机科学
• 页码范围: 54-59
• 页数: 6页
• 分类号: TP391.4
• 字数: 2868字
• 语种: 中文
• DOI: 10.11863/j.suse.2018.03.09

摘要

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率.而卷积神经网络(Convolutional Neural Network, CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率.为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffeNet上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型.采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率.而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姚毅	四川理工学院自动化与信息工程学院	60	363	9.0	17.0
2	许理	四川理工学院自动化与信息工程学院	4	6	2.0	2.0
3	李戈	四川理工学院物理与电子工程学院	1	2	1.0	1.0
4	余亮	四川理工学院自动化与信息工程学院	5	8	2.0	2.0