Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (5): 161-166.

Previous Articles     Next Articles

Fault Diagnosis Method of Rolling Bearings Based on G-YOLO Network

#br#   


  • Received:2022-04-22 Revised:2022-07-12 Online:2023-10-18 Published:2023-01-13

基于G-YOLO网络的滚动轴承故障诊断方法

武煜坤宁少慧,任永磊,王延松   

  1. ( 太原科技大学机械工程学院,太原030024 )

摘要: 滚动轴承是旋转机械设备中非常重要的零部件,将深度学习在目标检测和图像分类领域内的优势用于轴承故障诊断,提出G-YOLO智能诊断模型。首先利用格拉姆角场将轴承的时域振动信号转化为特征图像,其次将特征图像输入到G-YOLO智能诊断模型中,通过研究转化参数、网络结构、模型参数等得到最优结果。为了验证模型的优越性,采用西储大学轴承数据集中几组对应不同直径的具有同一类故障轴承的数据进行试验,同时引入目标检测领域内精确率、召回率、F1 分数、均值平均精度4 种指标对G-YOLO模型诊断结果进行评估,平均精确率达95.36 %,召回率达到96 %,证明了该方法的有效性与可行性。

关键词: 故障诊断, 滚动轴承, 格拉姆角场, YOLO, 图像处理