针对目前轴承行业故障分析诊断中普遍存在故障数据来源较少、涉及所属工况较多的难点问题,提出了基于MFEC(Mean Filling and Energy Conservation)的数据增强算法。首先对原始振动信号进行时域重采样;并使用重采样后信号的均值填充来保...针对目前轴承行业故障分析诊断中普遍存在故障数据来源较少、涉及所属工况较多的难点问题,提出了基于MFEC(Mean Filling and Energy Conservation)的数据增强算法。首先对原始振动信号进行时域重采样;并使用重采样后信号的均值填充来保证信号的采样长度不变;由于信号的能量会发生改变,防止对结果产生影响,需要设置参数调整幅值使之能量守恒。之后对扩充的样本数据进行分数阶傅里叶变换(FRFT),得到不同阶次的一维信号。最后将这些一维信号作为深度学习网络(VGG-16)的输入,在神经网络中学习训练,实现轴承的故障诊断。实验表明,该方法有效地增加样本的数量及其多样性,并且不同阶次的处理信号对不同故障类型的诊断具有良好的针对性,有效提高故障诊断的分类效率和准确率。展开更多
文摘针对目前轴承行业故障分析诊断中普遍存在故障数据来源较少、涉及所属工况较多的难点问题,提出了基于MFEC(Mean Filling and Energy Conservation)的数据增强算法。首先对原始振动信号进行时域重采样;并使用重采样后信号的均值填充来保证信号的采样长度不变;由于信号的能量会发生改变,防止对结果产生影响,需要设置参数调整幅值使之能量守恒。之后对扩充的样本数据进行分数阶傅里叶变换(FRFT),得到不同阶次的一维信号。最后将这些一维信号作为深度学习网络(VGG-16)的输入,在神经网络中学习训练,实现轴承的故障诊断。实验表明,该方法有效地增加样本的数量及其多样性,并且不同阶次的处理信号对不同故障类型的诊断具有良好的针对性,有效提高故障诊断的分类效率和准确率。