基于卷积网络的滚动轴承故障诊断研究

• 作者: 毕鹏远 邱超 宋强
• 来源期刊: 煤矿机械
• 关键词: 滚动轴承 识别 分类 故障诊断 Conv-LSTM CNN
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 故障·诊断|Malfunction Imestigation
• 页码范围: 186-189
• 页数: 4页
• 分类号: TH133.33
• 语种: 中文
• DOI: 10.13436/j.mkjx.202108056

摘要

针对传统故障诊断方法不能有效识别滚动轴承振动信号且难以在振动信号中提取所需特征、预处理步骤过多和难以区分故障类型的问题,提出了一种新型卷积神经网络(CNN)模型.首先对传统CNN的激活函数和池化方式进行改进,然后以卷积长短时记忆(Conv-LSTM)作为卷积层.相比于传统的故障诊断方法,新型CNN模型可直接训练切片后的原始加速度振动信号,并可同时识别和分类出故障类型.SKF6005型轴承实验结果表明,新型CNN模型相对于纯CNN模型具有更好的分类效果和更高的分类准确度.