吉林大学学报(信息科学版) ›› 2022, Vol. 40 ›› Issue (4): 621-627.
任 爽, 林光辉, 田振川, 商继财, 杨 凯
REN Shuang, LIN Guanghui, TIAN Zhengchuan, SHANG Jicai, YANG Kai
摘要: 为使轴承故障诊断工作更加准确与智能化, 构建了一种基于 Inception 结构和残差结构的卷积神经网络(CNN: Convolutional Neural Network), 提出一种新的轴承故障诊断方法。 首先使用短时傅里叶变换( STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图, 分为训练集、 验证集和测试集; 然后使用训练集对搭建的 Inception-残差网络模型进行迭代, 不断更新网络参数, 并由验证集检验模型是否出现过拟合现象; 最后将训练好的模型应用于测试集, 并通过输出层的分类器输出诊断结果。 最终由实验证明所提方法的可行性, 对轴承故障分类的平均准确率到达了 99. 98% +-0. 02% , 相对于其他方法具有较高的准确率和稳定性。
中图分类号: