智能轴承故障诊断基于一维扩展CNN和多域信号处理的特征融合

科学领域:

• 机械工程 机械工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 智能故障诊断需要强大的功能,以便在杂的环境中进行准确的分类.
• 传统方法通常缺乏简单特征的准确性,或者需要高级技术的专业知识.
• 由于现有的特征工程和建模方法的复杂性,广泛采用受到限制.

研究的目的:

• 为智能故障诊断提出一种新且高效的融合方法 (MD-1d-DCNN).
• 在杂的环境中提高故障分类的准确性和稳定性.
• 通过整合统计和适应特征来克服传统方法的局限性.

主要方法:

• 利用信号处理技术从多个领域提取统计特征.
• 使用一维扩展卷积神经网络 (1d-DCNN) 来检索适应性特征.
• 开发了一种融合方法 (MD-1d-DCNN),将统计和适应特征结合起来进行分类.
• 实现完全连接的层,以基于融合特征的最终故障分类.

主要成果:

• MD-1d-DCNN方法在故障诊断中表现出卓越的抗噪声能力.
• 在不同噪声水平的轴承数据集上的实验结果证实了该方法的有效性.
• 建议的方法在所有测试的噪音水平上都超过了基准模型.

结论:

• MD-1d-DCNN在具有挑战性的噪音条件下提供了一个强大的解决方案,用于智能故障诊断.
• 统计和自适应特征的融合显著提高了诊断准确性和对噪声的适应性.
• 这种方法提高了智能故障诊断系统的实用性.