第３７卷第１期沈阳化工大学学报Ｖｏｌ.３７Ｎｏ.１２０２３.０２ＪＯＵＲＮＡＬＯＦＳＨＥＮＹＡＮＧＵＮＩＶＥＲＳＩＴＹＯＦＣＨＥＭＩＣＡＬＴＥＣＨＮＯＬＯＧＹＦｅｂ.２０２３收稿日期:２０２０－０６－２６基金项目:国家自然科学基金项目(Ｕ１７０８２５４)作者简介:韩煜(１９９５—)ꎬ男ꎬ湖北武汉人ꎬ硕士研究生在读ꎬ主要从事基于神经网络的滚动轴承故障诊断研究.通信联系人:张凯(１９７９—)ꎬ男ꎬ辽宁锦州人ꎬ副教授ꎬ博士ꎬ主要从事机械装备可靠性和设备智能控制研究.文章编号:２０９５－２１９８(２０２３)０１－００６８－０６基于短时傅里叶变换的卷积神经网络复合故障诊断韩煜ꎬ张凯(沈阳化工大学装备可靠性研究所ꎬ辽宁沈阳１１０１４２)摘要:针对传统故障诊断技术在复杂工况下滚动轴承复合故障振动信号进行故障诊断的准确率较低且泛化能力较差的问题ꎬ提出一种基于短时傅里叶变换(ＳＴＦＴ)的卷积神经网络故障诊断方法(ＳＴＦＴ－ＣＮＮ).该故障诊断方法首先通过对复杂工况下的振动信号进行短时傅里叶变换ꎬ然后通过卷积神经网络对该振动数据进行训练学习ꎬ最后进行故障诊断.为验证所提方法的有效性和可行性ꎬ在滚动轴承包括复合故障在内的１５类故障中ꎬ将提出的方法与卷积神经网络(ＣＮＮ)、支持向量机(ＳＶＭ)和深度神经网络进行比较ꎬ实验对比过程采用相同的滚动轴承数据进行实验ꎬ以保证实验的公平性.实验结果证明:该故障诊断方法的故障诊断准确率达到了１００％ꎬ滚动轴承复合故障诊断准确率得到大幅提升.关键词:短时傅里叶变换ꎻ卷积神经网络ꎻ复合故障ꎻ滚动轴承ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.２０９５－２１９８.２０２３.０１.０１１中图分类号:ＴＰ１８１ꎻＴＨ１３３３３＋１文献标识码:Ａ滚动轴承是旋转机械的重要组成部分ꎬ在实际工程中应用广泛.轴承在运行过程中出现故障会引发很多潜在的损失和隐患ꎬ其任何意外故障往往会影响整个系统的稳定性和安全性.在实际工程中滚动轴承在面对不同复杂工况时ꎬ其产生的故障不仅有单一故障ꎬ还存在复合故障ꎬ传统的故障诊断技术诊断效果并不理想ꎬ并且针对不同的滚动轴承都需要对轴承重新进行研究分析ꎬ费时费力.针对这种情况ꎬ寻找一种泛化能力强、诊断准确度高的故障诊断方法很有必要.目前ꎬ智能故障诊断方法研究主要是从滚动轴承运行过程中采集其原始的运行数据ꎬ该数据类型包括振动信号、脉冲信号、声信号和电流信号等多种类型的滚动轴承特征信号.其中ꎬ振动信号...
