摘要
为提升滚动轴承在大噪声、变载荷及复杂工况下故障诊断的准确率,考虑被采信号具有时间多尺度特性,提出多尺度卷积神经网络(MTSC-CNN),开发一种"端到端"的故障诊断系统.为验证MTSC-CNN方法的有效性,通过实验数据,对11种含故障类型、损伤程度不同以及4种存在故障混合的轴承状态进行识别.结果 表明:考虑单一时间尺度提取时,因信息缺失导致模型性能欠佳;过多的时间尺度将产生信息过提取,继而增加模型复杂度,且弱化模型诊断能力.与现有方法相比,MTSC-CNN模型在复杂环境下性能更佳.此外,基于可视化技术,表明由于不同尺度所学习特征存在互补性,而使模型具有较强的鲁棒性.
NETL
NSTL
维普
万方数据