为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型。在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90%的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图片,并构建训练集、校验集和测试集;利用GoogLeNet模型对训练集进行特征学习,并将训练后的GoogLeNet模型用于测试轴承故障样本。结果表明在GAF构建的数据集下,GoogLeNet模型能够使得轴承故障样本被较好地识别。

针对红外电气设备图像对比度低和信噪比低导致图像识别率不高的问题,提出一种改进的红外图像分割与识别方法。首先通过K均值聚类结合区域生长算法实现对图像的预处理,通过GoogLeNet网络对图像特征进行提取;其次在图像识别阶段,为提高识别率,引入超参数构建联合损失函数,以此改进GoogLeNet网络训练的识别率;最后搭建深度学习算法实验环境,并以实验室搜集的电气设备红外故障图像为例对图像进行识别。结果表明,所提方法可有效提取图像特征,并且识别率要明显高于improve_cnn、VggNet、AlexNet 3种模型。