科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对小样本条件下，深度神经网络在机械设备典型部件中(轴承、齿轮)故障诊断精度不高这一问题，提出了一种基于Triplet Network的机械设备典型部件(轴承、齿轮)故障诊断方法。首先，利用短时傅里叶变换，将原始时序信号转换为时频信号；然后，采用了基于Triplet Network搭建的模型，从时频信号中提取了同一故障和不同故障样本的特征，通过对比相同故障和不同故障样本特征的相似度，对模型参数进行了优化，达到了提取的同一故障样本特征相似度越来越高，不同故障样本特征相似度越来越低的效果；最后，通过比较未知样本与已知故障样本的特征相似度，实现了对机械设备典型部件(轴承、齿轮)的故障识别，并采用江南大学轴承故障数据集和康涅狄格大学齿轮故障数据集，对该故障诊断方法的有效性进行了实验验证。研究结果表明：基于Triplet Network的方法在每类训练样本只有5个的情况下，轴承故障识别率可以达到68%,齿轮故障识别率为96.8%,均优于传统的深度神经网络方法。
- 单位
