重庆理工大学学报2023，Vol.37Issue(13) ：110-119.DOI:10.3969/j.issn.1674-8425(z).2023.07.012

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

林慧斌 习慈羊 丁康
重庆理工大学学报2023，Vol.37Issue(13) ：110-119.DOI:10.3969/j.issn.1674-8425(z).2023.07.012
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

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

林慧斌 1习慈羊 1丁康1
扫码查看

作者信息

  • 1. 华南理工大学机械与汽车工程学院,广州 510640
  • 折叠

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.

关键词

降采样/深度学习/滚动轴承/故障诊断

Key words

down-sampling/deep learning/rolling bearing/fault diagnosis

引用本文复制引用

基金项目

国家自然科学基金(51875207)

广东省基础与应用基础研究基金(2022A1515011238)

出版年

2023
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
参考文献量6
段落导航相关论文