基于1D-CNN联合特征提取的轴承健康监测与故障诊断

摘要：

针对特定机械设备构建数据驱动的故障诊断模型缺乏泛化能力,而轴承作为各型机械的共有核心部件,对其健康状态的判定对不同机械的衍生故障分析具有普适性意义.提出了一种基于1D-CNN(one-dimensional convolution neural network)合特征提取的轴承健康监测与故障诊断算法.算法首先对轴承原始振动信号进行分区裁剪,裁剪获得的信号分区作为特征学习空间并行输入1D-CNN中,以提取各工况下的代表性特征域.为了避免对故障重叠信息的处理,优先使用对健康状态敏感的特征域构建轴承健康状态判别模型,若健康状态判别模型识别轴承未处于健康状态,特征域将与原始信号联合重构,通过耦合自动编码器开展故障模式判定.使用凯斯西储大学(Case Western Reserve University)的轴承数据开展实验,结果表明,该算法继承了深层学习模型的准确性和鲁棒性,具有较高的故障诊断精度和较低的诊断时延.

关键词：工业物联网;故障诊断;轴承;一维卷积神经网络;联合特征

所属期刊栏目：32

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划;江苏省重点研发计划

在线出版日期：2021-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2379-2390