基于并行1DCNN的滚动轴承故障诊断研究

作者：刘伟; 单雪垠; 李双喜^*; 张志华; 姚思雨

来源：机电工程, 2021, 38(12): 1572-1578.

• 滚动轴承
• 故障诊断
• 卷积神经网络
• 1DCNN
• 深度学习
• 特征提取

滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试集;然后,构建了由两个通道组成的并行1DCNN模型,两通道可以分别获取振动信号的时域信息和频域信息,提取时域信息时使用相对较小的卷积核,而提取频域信息时使用相对较大的卷积核,并使用全局最大池化层替换了传统的全连接层;最后,用训练好的并行1DCNN模型对凯斯西储大学滚动轴承测试集数据进行了处理;同时为了验证并行1DCNN模型的故障诊断效果,将该模型与传统的CNN模型进行了比较。研究结果表明:并行1DCNN模型的故障诊断精度高于0.996,与传统单通道CNN模型相比,并行1DCNN模型可以充分利用所提取的时域和频域特征信息,具有更加出色的故障诊断能力。

• 单位
  北京化工大学; 石河子大学; 机电工程学院