典型文献
基于MTF-CNN的滚动轴承故障诊断方法
文献摘要：
针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了 MTF-CNN滚动轴承故障诊断模型.首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类.为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析.结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果.
文献关键词：
故障诊断;滚动轴承;马尔科夫转移场(MTF);卷积神经网络(CNN)
中图分类号：
作者姓名：
雷春丽;夏奔锋;薛林林;焦孟萱;张护强
作者机构：
兰州理工大学机电工程学院,兰州 730050;兰州理工大学数字制造技术与应用省部共建教育部重点实验室,兰州 730050
文献出处：
引用格式：
[1]雷春丽;夏奔锋;薛林林;焦孟萱;张护强-.基于MTF-CNN的滚动轴承故障诊断方法)[J].振动与冲击,2022(09):151-158
A类：
B类：
MTF,故障诊断方法,实际工况,诊断识别,识别准确率,滚动轴承故障诊断模型,马尔科夫,编码方式,振动信号,时间相关性,维特,特征图像,自动特征提取,故障类型,凯斯,轴承数据,泛化性能,智能算法,出模
AB值：
0.209544
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
