基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究

作者：肖俊青; 岳敏楠; 李春^*; 金江涛; 许子非; 缪维跑

来源：机械强度, 2022, 44(05): 1017-1023.

DOI：10.16579/j.issn.1001.9669.2022.05.01

• 轴承
• 固有时间尺度
• 卷积神经网络
• 盒维数
• 故障诊断

滚动轴承工作环境复杂，振动信号的非线性与环境噪声干扰导致故障诊断困难。因此，基于轴承损伤实验数据与分形理论，采用固有时间尺度分解(Intrinsic Time scale Decomposition, ITD)提取振动信号中非线性特征，筛选有效的故障特征分量，通过卷积神经网络(Convolutional Neural Network, CNN)实现轴承智能故障诊断。结果表明，与现有方法相比，ITD-CNN在不同信噪比下均有较高的准确率；在-4 dB信噪比下，准确率仍比现有方法高2.57%～13.35%,表明其良好的识别能力和泛化性能。

• 单位
  上海理工大学