采用MTF和2DWDCNN的轴承故障诊断方法

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。

基于GAF-DarkNet的滚动轴承故障诊断方法

针对深度诊断模型较难处理信号紧邻特征点以及变工况导致模型诊断精度和泛化性能不足的问题,提出基于格拉姆角场(GAF)和DarkNet-53图像识别算法的滚动轴承故障诊断方法。通过GAF编码将原始振动信号转换为具有时序相关性的二维特征图像,将特征图像输入DarkNet-53进行特征自提取和故障诊断。基于凯斯西储大学(CWRU)滚动轴承数据集和南京工业大学转盘轴承数据集并通过变载荷工况分析对所提算法进行验证,同时与目前流行的智能诊断方法及二维重构诊断方法进行对比,结果表明变工况下GAF-DarkNet算法具有更好的泛化能力和故障识别效果。