基于SWT與改進卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

打開文本圖片集

摘  要： 針對傳統(tǒng)軸承故障診斷依賴專家經(jīng)驗且存在時頻特征提取效果不佳，導(dǎo)致故障診斷效率和精度較低的問題，提出一種基于同步壓縮小波變換（SWT）與改進卷積神經(jīng)網(wǎng)絡(luò)（CNN）的軸承故障診斷模型（SICNN）。首先，將一維的非平穩(wěn)軸承振動信號通過SWT轉(zhuǎn)換為高頻率表達的二維時頻圖像，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；然后，引入SRM對提取的特征進行風(fēng)格池化與融合，調(diào)整卷積通道合適的特征權(quán)重，提高重要特征的關(guān)注度進而提高網(wǎng)絡(luò)的表征能力；最后，通過Softmax層輸出故障診斷結(jié)果。（剩余10559字）