基于Triplet Network的小样本轴承、齿轮故障诊断方法

作者：谢由生,张军. 日期：2022-10-20/span> 浏览：1573 查看PDF文档

摘要:针对小样本条件下,深度神经网络在机械设备典型部件中(轴承、齿轮)故障诊断精度不高这一问题,提出了一种基于Triplet Network的机械设备典型部件(轴承、齿轮)故障诊断方法。首先,利用短时傅里叶变换,将原始时序信号转换为时频信号;然后,采用了基于Triplet Network搭建的模型,从时频信号中提取了同一故障和不同故障样本的特征,通过对比相同故障和不同故障样本特征的相似度,对模型参数进行了优化,达到了提取的同一故障样本特征相似度越来越高,不同故障样本特征相似度越来越低的效果;最后,通过比较未知样本与已知故障样本的特征相似度,实现了对机械设备典型部件(轴承、齿轮)的故障识别,并采用江南大学轴承故障数据集和康涅狄格大学齿轮故障数据集,对该故障诊断方法的有效性进行了实验验证。研究结果表明:基于Triplet Network的方法在每类训练样本只有5个的情况下,轴承故障识别率可以达到68%,齿轮故障识别率为96.8%,均优于传统的深度神经网络方法。

关键词:齿轮故障诊断;滚动轴承故障诊断;深度神经网络;特征相似度;故障识别率;时频信号;小样本

中图分类号:TH133.33;TH132.41文献标识码:A文章编号:1001-4551(2022)08-1111-07


本文引用格式:

谢由生,张军.基于Triplet Network的小样本轴承、齿轮故障诊断方法［J］.机电工程,2022,39(8):1111-1117.

XIE You-sheng, ZHANG Jun. Fault diagnosis method of small sample gear and bearing based on Triplet Network［J］.Journal of Mechanical & Electrical Engineering, 2022,39(8):1111-1117.