摘要
针对传统的故障诊断技术在实际工程中滚动轴承多故障耦合情况下的故障诊断准确率偏低的问题,提出了一种基于Adam算法优化的卷积神经网络(CNN)诊断模型.该方法的原理是从多故障耦合情况下轴承振动数据中自主学习有用的轴承故障检测特征信息然后进行准确的故障诊断.为了证明该方法的有效性和保证实验的公平性,在滚动轴承单种故障和多种故障同时存在的情况下,将提出的方法与随机梯度下降法优化的卷积神经网络,支持向量机进行比较.比对使用相同的数据来客观的评估相应的性能.该方法对滚动轴承多故障耦合情况下的15类故障进行实验诊断,准确率达到了 100％,使多故障耦合情况的滚动轴承故障诊断准确率大大提高.
NETL
NSTL
维普
万方数据