基于压缩采集特征提取与CNN＿SVM的滚动轴承的故障诊断

作者：石怀涛; 李宁宁; 赵金宝; 佟圣皓

来源：沈阳建筑大学学报(自然科学版), 2022, 38(06): 1129-1137.

• 压缩采集
• 卷积神经网络
• 支持向量机
• 滚动轴承
• 故障诊断

目的 针对传统卷积神经网络训练时间长、易过拟合、故障诊断精度低、抗噪能力差等问题，提出一种基于压缩采集特征提取与CNN＿SVM的滚动轴承的故障诊断模型，降低滚动轴承故障数据的冗余度。方法 首先，使用压缩采集技术去除实验样本中的冗余信息；然后，使用三层卷积神经网络(CNN)对采集数据进行故障特征提取，在网络中加入Dropout层、Batch Normalization层、全局平均池化层来防止网络的过拟合，加强网络提取特征的能力；最后，用多分类支持向量机(SVM)对提取特征进行分类。结果 研究表明：模型对故障诊断精度达到了99.4%,比CNN＿SVM,PCA＿SVM,1D＿CNN等模型故障诊断效果突出，对含噪的实验数据具有去噪功能。结论 笔者所提出的模型诊断精度高，且具有很强的学习能力和降噪能力。

• 单位
  沈阳建筑大学