基于SDP图像与VGG网络的旋转机械转子故障诊断研究

• 作者: 刘圆圆 卜明龙 武海彬 郝惠敏
• 来源期刊: 机电工程
• 学科: 工学
• 关键词: 深度学习 VGG网络 SDP图像 多通道信息融合 转子故障诊断 极限学习机
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 机械、仪表技术
• 页码范围: 1069-1074
• 页数: 6页
• 分类号: TH132.46|TH113.1
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2020.09.013

摘要

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法.采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较.研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度.