基于1D卷积与特征融合的深度学习轴承诊断算法研究

摘要

轴承损伤严重影响设备正常运行,减小设备寿命。对轴承损伤的有效识别可以帮助设备进行维护。为此,本文创造性地提出了一种基于1D卷积与特征融合的互扰神经网络(Interference neural net-work, IFNN)深度学习模型来实现轴承诊断。该模型由7层大尺寸卷积核单元、传统特征计算单元、融合单元和Softmax分类器组成。为了检验所提出方法的有效性,采用10倍交叉验证、4个数值指标和ROC曲线面积来评估分类结果。实验结果表明,本文提出的IFNN模型准确率为96.09%,精度为96.48%,召回率为96.10%,F1-score为96.08%,ROC值为1。通过与随机森林、支持向量机等模型的对比,IFNN模型的性能明显优于其他模型。因此,所提出的IFNN模型能有效地完成轴承损伤诊断任务。