基于频域降采样和CNN的轴承故障诊断方法

周翔宇, 毛善君^?, 李梅

北京大学遥感与地理信息系统研究所, 北京 100871

收稿日期:2022-03-13修回日期:2022-04-06出版日期:2023-03-20发布日期:2023-03-20
通讯作者:毛善君, E-mail: sjmao(at)pku.edu.cn

基金资助:国家重点研发计划(2020YFB1314000)资助

Bearing Fault Diagnosis Method Based on Down-Samplingin Frequency Domain and CNN

ZHOU Xiangyu, MAO Shanjun^?, LI Mei

Institute of Remote Sensing and Geographical Information System, Peking University, Beijing 100871

Received:2022-03-13Revised:2022-04-06Online:2023-03-20Published:2023-03-20
Contact:MAO Shanjun, E-mail: sjmao(at)pku.edu.cn

摘要/Abstract

摘要： 在工业领域, 设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点, 现有的基于数据的轴承故障诊断模型的抗噪能力与泛 化能力相对较弱 。针对以上问题, 提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分, 可以实现样本增强, 降低样本在频域的差异性, 同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征, 并完成对轴承故障的识别分类。实验结果表明, 在强噪声环境和多工况条件下, 与目前常用模型相比, Ds-CNN具有更高的识别准确率。

引用本文

周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
ZHOU Xiangyu, MAO Shanjun, LI Mei. Bearing Fault Diagnosis Method Based on Down-Samplingin Frequency Domain and CNN[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2023, 59(2): 251-260.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3847