噪声与振动控制

噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (4): 167-173.

• 信号处理与故障诊断 • 上一篇    下一篇

频域特征提取联合双流CNN的轴承故障诊断方法

田野1，陈姚节1, 张莉2，陈黎1   

  1. （ 1. 武汉科技大学计算机科学与技术学院，武汉430065； 2. 武汉晴川学院计算机学院，武汉430204 ）
  • 收稿日期:2022-11-09 修回日期:2023-03-21 出版日期:2024-08-18 发布日期:2024-08-16

Bearing Fault Diagnosis Based on Frequency Domain Feature Extraction and Combined Dual-stream CNN

  • Received:2022-11-09 Revised:2023-03-21 Online:2024-08-18 Published:2024-08-16

PDF

摘要： 针对传统方法提取到的轴承各类故障特征混杂，部分类别故障不易区分的问题，设计一种双流卷积神经网络(Convolutional Neural Network，CNN)的故障诊断模型。首先将振动信号转换到频域，为减少低频微弱信号的干扰，过滤频域信号，设定滤波器通带和阻带衰减值以保证信号不失真，进而确定频率带宽，在该带宽值下求得信号振幅占比最大值的范围，同时以正常信号振幅平均值作为高频信号的阈值确定频率最高值。用上述参数分别作为滤波器的参数，过滤信号得到频谱信号和构建时频图像。将提取频谱信号和时频图作为模型两个通道的输入，在卷积层和池化层后加入特征融合层，通过加权融合的方式将两个通道的特征融合，使得各类故障特征区分度显著提高。实地搭建故障平台采集数据验证，实验结果表明，该方法能提取到每类故障独有的特征，轴承故障识别准确率达到98.95 %。

关键词: 故障诊断, 特征提取, 卷积神经网络, 滤波器, 时频图, 特征融合