21、基于卷积神经网络的转速无关轴承故障特征提取

最新推荐文章于 2026-07-07 16:50:49 发布

原创最新推荐文章于 2026-07-07 16:50:49 发布 · 92 阅读

0 GEO检测

《设计中的日常事物》：从知识到实践专栏收录该内容

50 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

基于卷积神经网络的转速无关轴承故障特征提取

1. 引言

随着技术的不断进步，工业领域的全球竞争力日益激烈。为了提高机器的效率和生产力，有效的机器维护策略变得至关重要。滚动轴承作为机器中最脆弱的部件之一，约占机器整体故障的 40%，因此对其进行准确的故障诊断十分关键。

传统的数据驱动方法进行轴承故障诊断主要包括三个步骤：
1. 数据采集 ：通过传感器获取机器的振动信号，但这些信号通常会伴随着噪声。
2. 特征提取 ：克服噪声干扰，在时间、频率或时频域中提取有效的统计参数。
3. 故障定位 ：使用如 k - 近邻（k - NN）、支持向量机（SVM）、人工神经网络（ANN）等分类器进行故障分类。然而，这些方法需要领域经验来选择有效特征，并且当机器部件更换时需要重新校准。

卷积神经网络（CNN）作为一种深度学习方法，在高性能 GPU 的支持下，成为了强大的模式识别工具。CNN 主要由卷积层（CL）、池化层（PL）和全连接层（FC）组成。卷积层通过卷积操作识别模式，池化层对输入进行下采样以减少计算量，全连接层和 Softmax 分类器用于数据分类。通过反向传播算法调整网络的超参数，ReLU 激活函数确保网络的有效过滤和训练。

虽然现有的 CNN 方法在处理原始轴承信号时能提供准确的故障诊断，但在不同转速下，要么需要训练不同的网络，要么需要进行复杂的计算。因此，提出了一种基于声发射（AE）分析、使用包络谱（ES）和 CNN 的实时轴承故障诊断系统，该系统可以实现转速无关的故障分类。