基于对称点模式特征融合和多源谐振稀疏组件的CNN轴承故障诊断 刘岩 李宇轩 孙强 杨凌瑞 贾启同 朱晓迅 杨颜 杨盼盼

《Sensors》：CNN Bearing Fault Diagnosis Based on Symmetric Point Pattern Feature Fusion with Multi-Source Resonance Sparse Components Yan Liu, Yuxuan Li, Qiang Sun, Lingrui Yang, Qitong Jia, Xiaoxun Zhu, Yan Yang and Panpan Yang

　　

摘要

为了解决由于信息不完整导致识别精度较低的问题，本文提出了一种基于卷积神经网络（CNN）的滚动轴承故障诊断方法，该方法采用多源共振稀疏成分融合（RSSD-P）技术，有效解决了冲击特征被掩盖的问题。在噪声污染的环境中，轴承振动信号表现出非平稳性，从而掩盖了故障特征。为了克服这一问题，采用了共振稀疏分解技术来提取与冲击相关的故障特征。此外，为了充分利用多传感器信息并增强故障表征能力，引入了一种对称点模式（SDP）方法来融合多源故障冲击特征，实现了来自多源振动信号的冲击特征的有效整合。本文开发了一种结合多源共振稀疏成分和SDP特征融合的CNN方法，并据此建立了轴承故障诊断模型。实验结果表明，在不同运行条件下，该方法的故障识别精度达到了98.63%。与其他轴承故障诊断方法相比，其识别精度提高了8.49%~17.8%，证明了其优越的性能。