基于GAF和DenseNet的滚动轴承故障诊断方法
姜家国1
郭曼利2
杨思国1
1.滁州职业技术学院电气工程学院,安徽滁州2390002.国网安徽省电力有限公司蚌埠供电公司,安徽蚌埠233000
摘要：基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全.针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法.将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类.采用凯斯西储大学轴承数据集上的数据进行实验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.75％.为进一步证明该方法的优越性,选取灰度图+ DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+ DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征.
关键词：矿用机械滚动轴承故障诊断格拉姆角场密集连接卷积网络
分类号：TD67(矿山电工)
资助基金：安徽省教育厅高等学校自然科学研究项目(KJ2019A1130)国家自然科学基金(YJY-2019-12)
论文发表日期：2021-08-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 84-89 )
英文信息