基于HHT时频图像和卷积神经网络的滚动轴承故障诊断

【摘要】：针对"大数据"时代下,浅层智能分类模型存在特征提取、特征选择过于依赖于人员经验和先验知识,通用性不强,且非线性表达能力差,难以应对海量数据和基于时域、频域特征的模式识别方法面对复杂非平稳监测信号时稳定性和准确性下降等问题,提出了基于希尔伯特-黄变换(Hilbert Huang Transform, HHT)时频图像和卷积神经网络(Convolution Neural Network, CNN)的滚动轴承故障诊断方法。首先,采用希尔伯特-黄变换处理低信噪比的一维时域信号获取不同状态下的时频图像,保留更丰富的故障信息;再构建深度诊断模型,利用卷积神经网络强大的非线性表达能力自适应挖掘时频图像的故障敏感特征;最后,通过滚动轴承故障模拟试验数据验证所提方法的有效性。结果表明,所提方法表现出更佳的准确性和鲁棒性。