基于MTF和改进残差网络的轴承故障定量诊断方法

有别于目前滚动轴承故障诊断多集中在定性分析阶段,提出了一种使用图像分类的滚动轴承故障定量诊断方法.采用重叠采样方法,对一维时序数据进行数据增强,使用马尔可夫转换场(Markov transition field,MTF)方法将一维时序数据转换成二维图像,为输入到神经网络模型中提供二维图像样本并保留了时域信息,搭建和训练基于迁移学习微调处理的ResNeXt和ResNeSt改进残差网络,将故障图像进行分类并实现故障诊断.采用混淆矩阵和t分布领域嵌入(t-distributed stochastic neighbor embedding,t-SNE)可视化方法进行实验,结果表明,该滚动轴承故障定量诊断方法能够实现多工况滚动轴承故障的定量诊断,且具有诊断精度高和训练速度快的优点.