论文报告分享 | 一种基于谱峭度-包络谱-CNN在变转速多故障程度下的轴承故障诊断方法

PHMclub是我导师指导下创建的课题组公 众号，发布关于PHM相关的技术文章，欢迎大家关注！

本次分享的是由本课题组李正平同学发表在IEEE Golbal Reliability and Prognositcs & Health Management Conference 2021-Nanjing上的一篇会议论文报告。该论文研究了在变转速变故障程度下的轴承故障诊断，并提出了一种基于谱峭度-包络谱-CNN的方法。

摘要：

目前，现有的轴承故障诊断方法大多集中于单一工况。但与实际工业应用中电机转速变化、环境噪声干扰等复杂工况特点相差甚远。因此，确定合适的特征对复杂工况下滚动轴承的智能故障诊断具有重要意义。针对这一问题，本文提出了一种基于谱峭度(SK)、包络谱(ES)和卷积神经网络(CNN)的变转速多故障状态下轴承故障智能诊断方法。该方法首先采用谱峭度和带通滤波来提高原始振动信号的信噪比。然后通过ES分析提取与转速相关的丰富故障特征频率信息。然后，通过自动提取这些具有代表性的特征，建立CNN模型来识别轴承缺陷。在凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集上进行了4个实验，验证了该方法的有效性。通过与其他方法的实验结果比较，说明了该方法的优越性和有效性。

创新点：

• 通过与ES-SK相结合，建立了浅层CNN模型，该方法的性能与其他方法相当甚至更好

• 在已知转速下，通过自适应图像调整，该方法能适应在不同转速和故障程度下的故障诊断

后期会制作论文讲解视频，感谢关注！