《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：陈晓
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

作者：王俊年,王源,童鹏程. 日期：2023-05-25/span> 浏览：1465 查看PDF文档

基于并行卷积神经网络和特征融合的小样本

轴承故障诊断方法*

王俊年1,2,3,王源1,3,童鹏程1,3

(1.湖南科技大学信息与电气工程学院,湖南湘潭 411201;2.湖南科技大学物理与电子科学学院,

湖南湘潭 411201;3.智能传感器与新型传感材料湖南省重点实验室,湖南湘潭 411201)

摘要:在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(PCNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明:在仅含有160个样本时,基于并行卷积神经网络(PCNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机（SVM）、故障网络（FaultNet）、第一层宽卷积核深度卷积神经网络（WDCNN）相比,该诊断方法具有更高的准确率和更强的鲁棒性。

关键词:深度学习;集合经验模态分解;短时傅里叶变换;并行卷积神经网络;特征提取;本征模态函数;故障诊断准确率和鲁棒性

中图分类号:TH133.3;TM315文献标识码:A文章编号:1001-4551(2023)03-0317-10

本文引用格式:

王俊年,王源,童鹏程.基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法［J］.机电工程,2023,40(3):317-325,369.

WANG Jun-nian, WANG Yuan, TONG Peng-cheng. Small sample bearing fault diagnosis method based on parallel convolution neural network and feature fusion［J］.Journal of Mechanical & Electrical Engineering, 2023,40(3):317-325,369.