| 摘 要： | 针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题,提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像,使其保留时间相关性;提出多维监督模块（Multidimensional supervision module, MSM）,在空间维度和通道维度监测重要故障特征并自适应赋予权重,提升模型捕捉关键特征的能力;将MSM嵌入到卷积神经网络中,构建出MSMCNN模型;通过试验构建复杂工况条件,将MTF图像输入到所提模型进行故障诊断,并运用两种数据集验证模型有效性。试验结果表明,MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右,对比其他诊断模型,本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。
|
