一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法

摘要

本发明公开了一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，该方法使用不完备的数据进行两级建模：第一级实现故障类型识别。第二级实现故障损伤程度分类，将已识别故障类型的信号做短时傅里叶变换得到滑动窗时频图，提取不同损伤程度故障的细微差异性；将时频图作为第二级S‑CNN2的输入，并设计基于目标空间距离的分类器，实现同种故障损伤程度的分类与自学习。将该方法应用于故障实验平台采集的滚动故障数据，结果表明该方法在不完备数据建模的情况下，不仅能完成故障类型与损伤等级的准确划分，而且还能实现故障自学习和故障库自增长，增强了分类过程的智能性。