计量学报

作者：陈剑,孙太华,黄凯旋,阚东,曹昆明,张磊,程明

单位：1. 合肥工业大学 噪声振动研究所, 安徽 合肥 230009; 2. 安徽省汽车NVH技术研究中心, 安徽 合肥 230009;

关键词：计量学; 滚动轴承;直方图均衡化;卷积神经网络;故障诊断

基金：国家自然科学基金青年基金(11604070);安徽省重大科技项目(17030901049)

针对传统的滚动轴承故障诊断方法依赖人工特征提取和专家经验,难以自适应提取强噪声信号微弱故障特征的问题,提出一种直方图均衡化和卷积神经网络(CNN)相结合的智能诊断方法。首先,将传感器采集到的一维振动信号通过横向插值法转换为便于模型识别的二维振动图像,利用直方图均衡化技术拉伸像素之间灰度值差别的动态范围,突出纹理细节和对比度,以增强周期性故障特征;然后构建深层CNN模型,采用优化技术降低模型参数量,逐层学习监测数据与故障状态之间的复杂映射关系。实验结果表明该方法具有高达99%以上的准确率,对不同负载下的故障信号仍具有较高的识别精度和泛化能力。

来源：2022年第7期

《计量学报》期刊编辑部

查看计量学报杂志2022年第7期