科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统卷积神经网络自适应能力弱，难以适应变工况、少样本和类别不平衡等实际工业应用场景问题，提出了一种基于谱相关密度（SCD）和卷积神经网络（CNN）的轴承故障诊断SCD-CNN方法。该方法利用谱相关密度能有效提取轴承故障特征的能力，提高CNN的泛化能力。文章分析了SCD-CNN模型在变负载工况、少样本和类别不平衡（class imbalance）条件下模型的泛化性能，使用故障类型和非故障类型平衡率不同的样本数，对SCD-CNN模型进行干扰，模型在变负载工况下泛化性能良好；在少样本条件下，使用少量样本进行训练，就可获得较稳定的模型；在样本数据类别不平衡条件下，模型对少数类故障样本的识别能力较强。将SCD-CNN与STFT-CNN和CWT-CNN方法进行对比，结果表明：SCD-CNN的泛化性能良好，其性能优于STFT-CNN和CWT-CNN方法。
- 单位
