基于特征融合和混类增强的深度学习滚动轴承故障诊断

轴承故障诊断在维护旋转机械设备和规避重大灾难事故等方面起着至关重要的作用.针对现有故障诊断模型无法适应实际工业应用中变化的工作负载的问题,提出了一种基于特征融合和混类增强的故障诊断方法.首先,在原始信号的基础上融合时频特征、工况特征和时间差分特征形成新的特征信号;然后,采用相空间重构理论将信号特征转换为图像信号,在训练时通过混类增强拓展数据的分布;最后,利用残差网络进行故障诊断分析.在CWRU数据集上的实验结果表明,该方法在同工况下的预测精度高达100%,在变工况下的平均预测精度高达93.28%,域适应性强.