基于卷积神经网络图像分类的轴承故障模式识别
本文提出了一种基于卷积神经网络（CNN）的轴承故障模式识别方法，旨在解决传统基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题。该方法首先使用集合经验模态分解（EEMD）方法对轴承振动信号进行自适应分解，并对得到的本征模函数分量进行筛选。然后，对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析（PWVD），计算得到信号的时频分布图，并对时频图进行预处理。将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。
知识点：
1、卷积神经网络（CNN）在图像特征自动提取与图像分类识别中的应用
卷积神经网络（CNN）是一种常用的深度学习算法，广泛应用于图像分类、目标检测、图像分割等领域。在图像分类领域，CNN可以自动提取图像特征，并对图像进行分类识别。
2、集合经验模态分解（EEMD）方法
集合经验模态分解（EEMD）是一种信号处理方法，用于将复杂信号分解成多个本征模函数分量，从而提取信号的内在特征。
3、伪魏格纳-威利时频分析（PWVD）方法
伪魏格纳-威利时频分析（PWVD）是一种时频分析方法，用于计算信号的时频分布图，可以对信号的时域和频域特征进行分析。
4、基于CNN的图像分类
基于CNN的图像分类是指使用卷积神经网络对图像进行分类识别的方法。该方法可以自动提取图像特征，并对图像进行分类识别。
5、轴承故障模式识别
轴承故障模式识别是指对轴承的振动信号进行分析，以识别轴承的故障模式。该方法可以对轴承的运行状态进行监控，从而预防轴承的故障。
6、深度学习在机械故障模式识别中的应用
深度学习技术，especially CNN，已经广泛应用于机械故障模式识别领域。这些技术可以自动提取机械信号的特征，并对机械的故障模式进行识别。
本文提出的一种基于卷积神经网络图像分类的轴承故障模式识别方法，可以解决传统基于数据驱动的机械故障模式识别方法中的问题，并提高故障模式识别的准确性。
