2023年第36卷第1期ElectronicSci.＆Tech./Jan.15，2023https://journa-.xidian.edu.cn收稿日期:2022-07-07基金项目:国家自然科学基金(51605274);上海市地方院校能力建设项目(20030501000)NationalNaturalScienceFoundationofChina(51605274);Shang-haiLocalCollegeCapacityBuildingProject(20030501000)作者简介:黄雅静(1997－)，女，硕士研究生。研究方向:旋转信号处理、智能故障诊断。廖爱华(1978－)，女，博士，副教授。研究方向:车辆动力学、车辆故障诊断等。基于改进CNN的轴承声学故障诊断黄雅静1，廖爱华1，于淼2，李晓龙2，胡定玉1，3(1．上海工程技术大学城市轨道交通学院，上海201620;2．中国铁路哈尔滨局集团有限公司哈尔滨动车段，黑龙江哈尔滨150000;3．上海市轨道交通振动与噪声控制技术工程研究中心，上海201620)摘要针对轴承振动信号在复杂机械中难采集和跨转速域工况下传统故障诊断方法精度低的问题，文中提出了一种基于Teager能量算子和卷积神经网络的滚动轴承声学故障诊断方法，即TEO－CNN。将轴承声学信号的Teager能量算子作为模型的输入，使用卷积神经网络学习输入的抽象特征，并结合全局平均池化层和全连接层实现轴承健康状态识别。模型验证基于轴承声学实验数据，并通过构建不同的轴承声学数据集模拟跨转速域工况。试验结果表明，与传统卷积神经网络和机器学习模型相比，TEO－CNN表现出明显的优势，并且在跨转速域工况下的预测精度始终高于95%。关键词卷积神经网络;Teager能量算子;声学故障诊断;滚动轴承;跨转速域工况;全局平均池化中图分类号TP391．5文献标识码A文章编号1007－7820(2023)01－075－07doi:10.16180/j.cnki.issn1007－7820.2023.01.011AnImprovedCNNMethodforBearingAcousticFaultDiagnosisHUANGYajing1，LIAOAihua1，YUMiao2，LIXiaolong2，HUDingyu1，3(1．SchoolofUrbanＲailwayTransportation，ShanghaiUniversityofEngineeringScience，Shanghai201620，China;2．HarbinEMU，ChinaＲailwayHarbinBureauGroupCo．，Ltd．，Harbin150000，China;3．ShanghaiEngineeringＲesearchCenterofＲailwayNoiseandVibrationControl，Shanghai201620，China)AbstractInviewofthedifficultytocollectbearingvibrationsignalsincomplexmachineryandthepooraccu-racyoftraditionalfaultdiagnosismethodsundercrossworkingspeedconditions，arollingbearingacousticfaultdiag-nosismethodisproposedbasedonTEO－CNN．Teag...
