基于SAX和CNN的滚动轴承故障诊断方法研究

摘要

针对现有基于深度学习的机械故障诊断方法需要海量训练数据的不足,提出一种基于符号聚合近似(SAX)和卷积神经网络(CNN)的滚动轴承故障诊断方法.首先将正常和故障状态下采集到的振动信号分割成等间隔的数据片段,再利用SAX获取数据片段的符号化表示,并将其转化为特征图形.将SAX获取的正常和故障状态下的特征图形输入CNN训练以获取模型结构和参数,再利用训练好的网络对新的信号样本进行分类诊断.通过数据分割及符号化表示,实现高频数据的降维和压缩,从而节省信号传输的带宽,减轻服务器的计算压力,实现滚动轴承的过程监控和故障诊断.上述方法与K最近邻算法(KNN)和人工神经网络(ANN)的分类结果相比,故障诊断方法具有更高的分类准确率、较好的抗噪性和泛化性.