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 (1): 138-144.doi: 10.3969/j.issn.1674-8425(z).2021.01.018

• “第四届亚洲人工智能技术大会”专栏 • 上一篇    下一篇

基于同步提取变换和DRSN的滚动轴承故障诊断研究

赵 杰1,陈志刚1,2,赵志川1,张 楠1,2   

  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
  • 出版日期:2021-02-22 发布日期:2021-02-22
  • 作者简介:赵杰,男,硕士研究生,主要从事旋转机械故障诊断?深度学习研究,E-mail:zhaojie3211@sina.com;通讯作者陈志刚,男,博士,副教授,主要从事旋转机械故障诊断?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);北京市属高校基本科研业务费项目(X20061);北京建筑大学研究生创新项目(PG2020091,PG2020089)

  • Online:2021-02-22 Published:2021-02-22

PDF (PC)

304

赞

摘要： 针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depthresidualcontractionnetwork,DRSN)的优势,将同步提取变换(simultaneousextractiontransformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断?首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断?实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率?

关键词: 滚动轴承, 时频分析, 同步提取变换, 深度残差收缩网络, 深度学习

中图分类号: 

  • TH33.33