轴承是机械设备中最重要的零件之一,轴承故障的发生将影响机械工作效率,并威胁人员生命安全,因此对轴承故障进行自动化诊断具有重要意义.振动信号是典型的非线性和非平稳信号,并且包含环境噪声等干扰信号,使得故障特征难以被有效提取出来,且适应性较差.将信号处理技术与深度学习技术相结合,采用短时傅里叶变换方式,可将振动信号的一维信号转换为二维图片,并通过一种新的卷积神经网络模型进行训练,从而实现对轴承故障的自动化诊断.实验结果表明,该方法能够拟合非线性和非平稳信号,从而有效地进行轴承故障诊断,相比传统阈值法,诊断准确率提高至96.36％.
国家科技期刊平台
NSTL
万方数据
维普
