首页|采用MTF和2DWDCNN的轴承故障诊断方法

采用MTF和2DWDCNN的轴承故障诊断方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对故障信号二维重构结合卷积神经网络的故障诊断方法中卷积操作对时序特征提取能力不足的问题,采用马尔科夫变迁场(MTF)与改进宽卷积神经网络(WDCNN),实现一种MTF-2DWDCNN故障诊断方法.首先将原始振动信号通过MTF编码得到具有时序特征的二维图像,其次利用二维卷积算子结合首层宽卷积的短时特征提取能力建立2DWDCNN网络模型,之后将二维图像输入到2DWDCNN中完成自适应特征的提取以实现轴承不同故障的分类,最后通过西安交通大学轴承数据集(XJTU-SY)和南京工业大学转盘轴承数据集对所提算法进行有效性和泛化性验证,同时与传统故障诊断算法以及二维重构诊断算法进行比较.结果表明:相较于其他故障诊断方法,此方法在不同故障数据下均达到98%以上的诊断精度,具有良好的诊断性能.
Bearing Fault Diagnosis Method Using MTF and 2DWDCNN

荀志文、缪小冬、虞浒、平凡

展开 >

南京工业大学 机械与动力工程学院,江苏 南京 211800

故障诊断 轴承 马尔科夫变迁场 卷积神经网络

国家自然科学基金

52175465

2024

10.3969/j.issn.1009-0134.2024.09.005

制造业自动化
北京机械工业自动化研究所

制造业自动化

CSTPCD
影响因子：0.482
ISSN：1009-0134
年,卷(期)：2024.46(9)