基于GAF和DenseNet的滚动轴承故障诊断方法

摘要：

基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全.针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法.将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类.采用凯斯西储大学轴承数据集上的数据进行实验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.75％.为进一步证明该方法的优越性,选取灰度图+ DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+ DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征.

关键词：矿用机械;滚动轴承;故障诊断;格拉姆角场;密集连接卷积网络

所属期刊栏目：47

分类号：TD67(矿山电工)

资助基金：安徽省教育厅高校自然科学研究基金重点项目;滁州职业技术学院2019年校级科研一般项目

在线出版日期：2021-09-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：84-89