基于一维卷积神经网络的滚动轴承故障程度诊断

• 作者: 薛妍 沈宁 窦东阳
• 来源期刊: 轴承
• 关键词: 滚动轴承 故障诊断 一维卷积神经网络 状态监测 寿命周期
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 测试与应用|Test and Application
• 页码范围: 48-54
• 页数: 7页
• 分类号: TH133.33|TP277
• 语种: 中文
• DOI: 10.19533/j.issn1000-3762.2021.04.011

摘要

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2％.用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93％.