滚动轴承降解识别方法基于改进的单脉冲特征提取和1D扩展剩余卷积神经网络
Chang Liu1, Haiyang Wu2, Gang Cheng2
1School of Mechanical and Electrical Engineering, Xuzhou University of Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了一种改进的特征提取方法和一维扩展残余卷积神经网络 (1D-DRCNN),用于准确的滚动轴承降解识别. 综合方法实现了高的识别准确性,即使在复杂的工作条件下.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 传统的方法难以提取滚动轴承降解信息.
- 现有的卷积网络对此任务的性能不足.
- 准确识别轴承退化对于预测性维护至关重要.
研究的目的:
- 提出一种用于识别滚动轴承退化状态的新方法.
- 为了增强功能提取,用于故障检测.
- 为各种工作条件开发一个强大的深度学习模型.
主要方法:
- 改进了使用相位扫描和同步平均值的单脉冲特征提取.
- 为校准故障特征频率 (FCC) 进行两阶段的网格搜索.
- 构建和应用一维扩展残余卷积神经网络 (1D-DRCNN).
- 使用来自九个降解状态的振动信号进行实验验证.
主要成果:
- 拟议的特征提取方法减少了计算负担,并有效地提取本地故障信息.
- 1D-DRCNN模型成功地在复杂的条件下识别了不同的轴承退化状态.
- t-SNE可视化证实了网络对轴承降解特征的反应.
- 整体识别准确率达到了97.33%.
结论:
- 改进的特征提取和1D-DRCNN方法在滚动轴承降解识别方面取得了重大进展.
- 这种方法有效地克服了复杂的工作条件的影响.
- 该方法在预测性维护应用中显示出高精度和稳定性.
