科研之友
微信
新浪微博
Facebook
分享链接
摘要
鉴于传统故障诊断分类方法在旋转机械滚动轴承故障诊断中存在分类正确率不高以及模型存在泛化性一般的问题，提出一种基于信号处理技术结合深度学习算法的智能故障诊断模型。首先，按照一定比例重复划分原数据集实现数据扩充；其次，应用连续小波变换方法将扩充后的轴承振动信号转换成二维小波时频图；然后，采用改进后的卷积神经网络模型对划分后的二维图像集进行训练提取时频图像的深层特征；最后，将提取的特征向量输入到布谷鸟算法优化参数后的支持向量机分类层中，实现滚动轴承的故障分类。该故障诊断分类模型经训练输出最高100%的分类准确率，在抗噪性实验和变负载实验中准确率均优于其他五个故障诊断模型。结果表明：卷积神经网络提取故障特征结合参数优化支持向量机的分类模型结构，不仅能够实现诊断精度的提升，还具有较强的泛化性能。
- 单位
