多模态学习方法在滚动轴承故障诊断中的应用

摘要

滚动轴承在实际运行中负载多变且噪声干扰较大,导致故障特征提取及诊断困难,针对此问题本研究提出一种用于机械设备故障诊断的深度学习方法(MF⁃CNN),该方法将多模态融合技术(MFT)与卷积神经网络(CNN)结合,用卷积神经网络对一种工况下的滚动轴承故障数据分别提取时域、频域两个模态特征并融合,将融合后的特征作为故障分类的依据来构建整个网络,对变工况下的未知故障类型的数据进行测试,实现时域、频域双模态对轴承故障类型的联合诊断。大量实验结果表明,在变载荷和噪声下,MF⁃CNN模型用于故障诊断的准确率相对传统单模态的时域CNN和频域CNN均有提高,对由重载荷向轻载荷变化的工况下准确率提升更为明显。