基于短时傅里叶变换的卷积神经网络复合故障诊断

摘要：

针对传统故障诊断技术在复杂工况下滚动轴承复合故障振动信号进行故障诊断的准确率较低且泛化能力较差的问题,提出一种基于短时傅里叶变换(STFT)的卷积神经网络故障诊断方法(STFT-CNN).该故障诊断方法首先通过对复杂工况下的振动信号进行短时傅里叶变换,然后通过卷积神经网络对该振动数据进行训练学习,最后进行故障诊断.为验证所提方法的有效性和可行性,在滚动轴承包括复合故障在内的 15 类故障中,将提出的方法与卷积神经网络(CNN)、支持向量机(SVM)和深度神经网络进行比较,实验对比过程采用相同的滚动轴承数据进行实验,以保证实验的公平性.实验结果证明:该故障诊断方法的故障诊断准确率达到了 100％,滚动轴承复合故障诊断准确率得到大幅提升.

关键词：短时傅里叶变换、卷积神经网络、复合故障、滚动轴承

所属期刊栏目：37

分类号：TP181;TH133.33+1(自动化基础理论)

资助基金：国家自然科学基金U1708254

在线出版日期：2023-07-19（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：68-73