基于GAF与GoogLeNet的轴承故障诊断研究

简介

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。