基于AlexNet和迁移学习的滚动轴承故障诊断研究

• 作者: 院老虎 陈源强 杜白雨 张泽鹏 刘刚
• 来源期刊: 机电工程
• 关键词: 滚动轴承 故障诊断 AlexNet 迁移学习
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 机械、仪表技术|Machinery and Instrumentation Technology
• 页码范围: 1016-1022
• 页数: 7页
• 分类号: TH133.33
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2021.08.012

摘要

传统的轴承故障诊断方法需要进行复杂的信号处理,同时依赖专家知识和人工构造算法等技术手段,并且工程实际中可利用的机械设备故障数据量较少,针对这一系列问题,以滚动轴承正常运行时和发生不同故障时收集到的原始振动信号为识别依据,提出了一种基于AlexNet和迁移学习的滚动轴承故障诊断方法.将收集到的滚动轴承原始振动数据转换为振动信号图,并为振动信号图设定了标签,以作为训练样本;对预训练的AlexNet网络进行了微调,以使其符合任务需求,并使用准备好的训练样本对网络进行了训练;使用美国凯斯西储大学轴承数据中心的数据集,对网络模型的性能进行了验证,在滚动轴承的内圈故障、外圈故障和滚动体故障3个故障类别下,达到了100％的诊断精度.研究结果表明:在标记故障数据稀缺的情况下,采用该方法仍可实现对滚动轴承常见故障类型的诊断,且与现有先进方法相比,该方法的诊断精度有所提升.