基于ALIF-GAF-AlexNet的微电机故障分类

简介

微电机是一种重要的动力驱动元件,其诊断过程并不复杂,但人工听音比较低效且诊断结果片面,投入大量的人工对其进行分类是不合理的。为了提高微电机的诊断效率和实用性,提出一种诊断方法。使用自适应局部迭代滤波方法来降低噪声,然后用格拉姆角场将特征提取后的声音信号转换为图像,将转换后的图像应用深度卷积神经网络模型进行分类研究。基于微电机声音信号实验采集装置,对采集的数据应用所提出的方法进行故障诊断分类,并与其他方法进行比较。结果表明,该方法比其他方法具有更高的分类精度,准确率达到94.1%。