基于多源小波变换神经网络的旋转机械轴承故障诊断OA北大核心CSTPCD

针对旋转机械轴承故障诊断中故障样本稀缺,以及传统模型在小样本条件下容易过拟合及泛化能力差的问题,提出一种多源小波时频变换卷积神经网络。针对单支振动传感器采集的高频数据,设计基于小波变换的时频卷积层,用于融合小波系数的实部与虚部,其中实部对应振动信号的幅值信息,虚部对应相位信息。与仅考虑实部的卷积层相比,该卷积层能够提取完整的时频特征。利用时频卷积层分别对同一设备上的多支传感器采集的高频数据进行特征提取,并将提取到的多个特征进行级联。设计基于轻量深度可分离卷积的密集模块对级联特征进行更深层次的特征提取,用于实现故障分类。利用凯斯西储大学滚动轴承数据集验证模型的有效性,准确率为98.5%。将模型应用于回转窑、皮带机和篦冷风机的轴承故障诊断,平均准确率达97.19%。