基于卷积神经网络的端到端低速重载轴承故障诊断方法

欢迎访问制造业自动化官方网站！

PDF(5002 KB)

制造业自动化 ›› 2023, Vol. 45 ›› Issue (12) : 194-198.

设计与应用

基于卷积神经网络的端到端低速重载轴承故障诊断方法

针对低速重载轴承故障信号微弱、背景噪声大造成的故障特征提取困难、诊断结果准确度不高且难以量化评估问题，提出了一种基于卷积神经网络的端到端故障诊断方法。首先，构建一维卷积深度神经网络模型，对低速重载轴承振动信息进行自适应故障特征提取，克服了传统方法对人工经验的依赖；然后，对比研究了该方法与小波阈值降噪、集合经验模态分解数据降噪后进行诊断识别的精度，证明了方法在低速重载轴承故障诊断领域的优越性，并进一步挖掘了可能原因；最后，构建诊断结果评价指标，通过混淆矩阵实现对诊断结果的量化评估。实验结果表明：基于卷积神经网络的端到端故障诊断方法具有明显的可行性与优越性，对低速重载轴承故障诊断具有明显的工程价值。

作者信息 +

Fault diagnosis method of end-to-end low-speed and heavy-load bearing based on convolutional neural network

Author information +

History +

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

孙佳韵　战卫侠　孙显彬　孙艳玲. 基于卷积神经网络的端到端低速重载轴承故障诊断方法[J].制造业自动化, 2023, 45(12): 194-198.

SUN Jia-yun et al. Fault diagnosis method of end-to-end low-speed and heavy-load bearing based on convolutional neural network[J]. Manufacturing Automation, 2023, 45(12): 194-198.

PDF(5002 KB)

Accesses

Citation

Detail

段落导航

引用本文

选择文件类型/文献管理软件名称

选择包含的内容

引用本文

{{custom_sec.title}}

{{custom_sec.title}}

{{custom_fnGroup.title_cn}}

脚注

Published
2023-12-25
Issue Date
2023-12-25

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

引用本文

{{custom_sec.title}}

{{custom_sec.title}}

{{custom_fnGroup.title_cn}}

脚注