重庆理工大学学报（自然科学）

重庆理工大学学报（自然科学） ›› 2021, Vol. 35 ›› Issue (5): 214-222.doi: 10.3969/j.issn.1674-8425(z).2021.05.028

• “第四届亚洲人工智能技术大会”专栏 • 上一篇    下一篇

基于多重同步挤压变换与深度脊波卷积 自编码网络的滚动轴承故障诊断

赵志川１，陈志刚１，２，何 群１，张 楠１，２，夏建强３   

  1. １．北京建筑大学 机电与车辆工程学院，北京 １０００４４； ２．北京市建筑安全监测工程技术研究中心，北京 １０００４４； ３．安徽省春古 ３Ｄ打印智能装备产业技术研究院有限公司，安徽 芜湖 ２４１０００
  • 收稿日期:2020-06-18 出版日期:2021-06-07 发布日期:2021-06-07
  • 作者简介:赵志川，男，硕士研究生，主要从事旋转机械故障诊断，深度学习，信号处理研究，Ｅｍａｉｌ：２７６６３１７１６２＠ｑｑ． ｃｏｍ；通讯作者：陈志刚，男，博士，副教授，主要从事故障诊断，深度学习研究，Ｅｍａｉｌ：ｇａｎｇｚｉ２２＠１６３．ｃｏｍ。
  • 基金资助:
    国家自然科学基金项目（５１６０５０２２）；北京建筑大学市属高校基本科研业务费专项资金项目（Ｘ２００６１）；北京 建筑大学研究生创新项目（ＰＧ２０２００８９）；北京市建筑安全监测工程技术研究中心研究基金课题

  • Received:2020-06-18 Online:2021-06-07 Published:2021-06-07

PDF (PC)

130

赞

摘要： 利用传统故障诊断方法对滚动轴承进行诊断时，存在故障特征提取困难以及故障 模式难以辨识的问题。针对此问题，提出了一种基于多重同步挤压变换以及深度脊波卷积自编 码网络的智能故障诊断方法。首先，利用多重同步挤压变换处理含噪信号能力强、具有优越的 时频分解特性的特点，将采集的轴承故障信号进行 ＭＳＳＴ处理，得到分辨率较高的时频图像。 然后，利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点，建立深度 脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中，进行自动 特征提取和故障识别。实验结果表明，该方法提取故障特征信号能力较高，并能够有效地识别 出不同的故障类型。

关键词: 多重同步挤压变换, 深度脊波卷积自编码网络, 滚动轴承, 故障诊断

中图分类号: 

  • TH133.3