用于滚动轴承局部故障诊断的深度降采样方法

Deep down-sampling methods for local fault diagnosis of rolling bearings

扫码查看

原文链接

国家科技期刊平台
NETL
NSTL
万方数据

中文摘要：受香农采样定理限制,滚动轴承故障诊断往往需要设置较高的采样频率,这给数据传输和存储带来较大压力.基于滚动轴承局部故障振动响应数学模型,提出一种具有较强抗噪性能的深度降采样方法并应用于滚动轴承局部故障诊断.该方法利用仿真信号构造轴承故障样本及其标签对所提深度降采样网络进行训练,再将训练好的网络用于实际轴承故障信号的降采样.实验表明:在合理的降采样率下,所提方法在对原信号进行降维的同时能够很好地保留故障特征频率成分.相比基于高斯测量矩阵的压缩感知方法,所提方法降采样后的信号具有更强的故障特征表达能力,无需重构就可直接用于轴承故障诊断.

外文关键词：

down-samplingdeep learningrolling bearingfault diagnosis

作者：

林慧斌、习慈羊、丁康

展开 >

作者单位：

华南理工大学机械与汽车工程学院,广州 510640

关键词：

降采样深度学习滚动轴承故障诊断

基金：

国家自然科学基金广东省基础与应用基础研究基金

项目编号：

518752072022A1515011238

出版年：

2023

DOI：

10.3969/j.issn.1674-8425(z).2023.07.012

重庆理工大学学报

重庆理工大学

重庆理工大学学报

CSTPCD北大核心

影响因子：0.567

ISSN：1674-8425

年,卷(期)：2023.37(13)

参考文献量6