关键词:
滚动轴承
声辐射信号
多信息融合
特征轻量融合
故障诊断
长短时记忆网络
时域特征
基于核的主成分分析
摘要:
为了解决多传感器数据间存在信息交叉、特征重复,导致模型训练精度低的问题,对滚动轴承在声辐射信号下的故障诊断进行了研究,提出了一种时间特征与空间特征融合的轻量网络故障诊断(SF-TFNet)方法。首先,利用卷积神经网络提取了原始轴承声阵列信号的空间特征(SFs),使用长短时记忆网络(LSTM)提取了声阵列信号中的时域特征(TFs),并对提取的SFs和TFs进行了特征融合,生成了新的特征矩阵;然后,为了消除融合特征带来的重叠特征和信息冗余问题,引入了基于核的主成分分析(KPCA)方法对新生成的特征矩阵进行了非线性降维,去除了特征中的冗余成分,构建了滚动轴承新的时空特征数据集;最后,采用AdaBoost算法对新生成的数据集进行了故障分类,并得到了滚动轴承的最终故障诊断结果。研究结果表明:在半消声室滚动轴承故障实验台测试中,SF-TFNet方法的故障分类精度可以达到99.75%,其分类精度较高、聚类效果明显。在强背景噪声环境下与ResNet、ICNN和AlexNet三种方法进行比较,SF-TFNet方法不仅收敛速度快,而且故障识别精度高,诊断精度最高可达99.25%。为基于多通道的滚动轴承声辐射信号故障诊断提供了理论依据。