滚动轴承故障的卷积神经网络诊断研究.pdf

本文主要探讨了在大数据时代和人工智能发展的背景下，如何利用卷积神经网络（CNN）进行滚动轴承的智能故障诊断。滚动轴承作为旋转机械设备的关键组件，其故障诊断至关重要。传统的基于振动理论的方法，如奇异值分解、经验模态分解、包络谱分析和谱峭度法，虽然有效，但依赖于诊断者的专业知识，并且在数据预处理阶段较为复杂。 作者提出了基于短时倒频谱变换（STCT）和CNN的故障诊断新方法。首先，对实际采集到的滚动轴承原始信号进行短时倒频谱变换，这一变换可以将信号转化为二维的倒频谱图像，有助于保留并提取故障特征。根据故障尺寸，将倒频谱图像分为不同的训练集和测试集，每个数据集包括三种转速的数据。 接下来，通过正交实验来选择CNN的最佳训练参数，建立CNN模型对训练集进行训练。正交实验是一种优化参数的有效方法，可以系统地探索不同参数组合对模型性能的影响，以找到最优解。经过训练的CNN模型能够在保持高效率的同时，有效地学习和识别轴承故障的模式。 最后，使用训练好的CNN对测试集进行诊断。实验结果显示，无论是在单一转速还是多种转速混合的情况下，基于短时倒频谱变换的CNN模型对轴承故障的测试准确率都能达到100%。这表明该方法具有高度的准确性、鲁棒性和泛化能力，能够在不同工况下准确识别轴承的故障状态。 总结来说，这篇研究论文揭示了如何利用深度学习中的卷积神经网络技术，结合短时倒频谱变换，实现滚动轴承故障的高效诊断。这种方法不仅克服了传统方法对专家知识的依赖，还简化了数据预处理过程，为自动化和智能化的故障诊断提供了新的思路。在未来的工业应用中，这种技术有望提高设备维护的效率，减少因轴承故障导致的停机时间和维修成本。同时，此研究也为其他领域的设备故障诊断提供了借鉴。