基于广义S变换和迁移学习的轴承故障信号的识别算法

• 作者: 徐文校 张银胜 杨山山 于心远 徐永杰
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 轴承故障 广义S变换 迁移学习
• 年，卷（期）: 2021,（24）
• 所属期刊栏目: 在线测试与故障诊断|Online Testing and Fault Diagnosis
• 页码范围: 161-168
• 页数: 8页
• 分类号: TP306+.3
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2107869

摘要

滚动轴承是高科技机械设备的重要零部件,也是重要故障源之一.目前,轴承故障样本稀少,数据分布不均匀,传统轴承故障识别方法效果不稳定等给故障识别技术带来了巨大困难.将深度学习相关技术与轴承故障诊断技术相融合,利用深度学习模型识别图像的优势,提出一种广义S变换方法.广义S变换是小波变换和短时傅里叶变换的继承和发展,通过其将一维轴承故障信号数据转换成二维时频图,对Xception网络进行模型的微调和超参数的优化,再将处理后的二维时频图输入改进后的Xception网络开展迁移学习.基于凯斯西储大学公开的滚动轴承数据进行了上述实验,针对不同工况的故障信号识别率达到99.95％,实验结果证明基于广义S变换与迁移学习的识别方法真实、有效.