首页|多特征融合CNN网络的旋转机械故障诊断研究

多特征融合CNN网络的旋转机械故障诊断研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为提高旋转机械故障诊断中故障分类的准确率,以及针对故障数据特征不充足而带来的泛化能力较差问题,提出一种多特征融合卷积神经网络(CNN)的旋转机械故障诊断方法.首先利用连续小波变换将一维原始信号转换成二维小波时频图,构建多特征融合CNN网络模型.其中,原始振动信号为1DCNN模型输入,小波时频图为2DCNN模型输入;然后根据上面两个维度的输入进行网络模型训练;最后将测试集中的数据输入到已经训练好的网络模型,对不同旋转机械故障进行分类.在凯斯西储大学的轴承数据集、机械故障预防技术(MFPT)的轴承数据集上进行实验验证,结果表明,该方法与其他同类方法相比具有更高的故障诊断准确率,达到了99.78％.
Research on Fault Diagnosis of Rotating Machinery Based on Multi-feature Fusion CNN Network

冷佳、刘镇、张笑非、汤浩宇

展开 >

江苏科技大学计算机学院,江苏镇江212100

江苏科技大学苏州理工学院电气与信息工程学院,江苏苏州215600

连续小波变换 多特征融合CNN网络 滚动轴承 故障诊断

2021

10.11907/rjdk.202381

软件导刊
湖北省信息学会

软件导刊

影响因子：0.524
ISSN：1672-7800
年,卷(期)：2021.20(9)
  • 7
  • 7