基于图谱增强和CNN的旋转机械智能故障诊断

针对短时傅里叶变换时频谱存在Heisenberg测不准现象,提出了一种基于图谱增强和CNN的旋转机械智能故障诊断的方法。首先,对振动信号进行数据质量验证后,采用不同窗宽度的短时傅里叶变换构造多个时频谱图,之后将多个时频谱图进行拼接实现图谱增强。然后将图谱增强后的训练集图像进行向量化后输入到卷积神经网络进行训练,并生成训练模型文件。最后将测试集图像进行向量化后输入到训练模型文件进行预测,实现对旋转机械端到端的智能故障诊断。实验结果表明,该方法在小样本集、变负载变转速以及高噪声环境下具有较好的泛化性和鲁棒性。在凯斯西储大学滚动轴承故障数据集上得以验证,其中,小样本集实验的平均准确率为98.5%、变负载实验的平均准确率为99.7%、强噪声干扰实验的平均准确率为99.4%。