为实现卷积神经网络(CNN)对滚动轴承微弱故障位置的辨识,首先在保留整体信息的情况下,使用分段聚合近似(PAA)对轴承信号降维压缩;其次引入了格拉姆角场(GAF)将降维压缩后的轴承一维时间序列转换成了二维图像;然后引入批量归一化层、小批量法(minibatch)等方法设计卷积神经网络;最后将训练样本图像输入卷积神经网络进行训练和验证。结果表明,格拉姆和/差角场图均可有效识别滚动轴承不同零件的故障,格拉姆差角场在准确度上较格拉姆和角场高,更适合用于微弱故障的识别。

为了提高齿轮箱故障诊断的准确率,准确表达齿轮箱的健康状态,结合深度学习算法,提出了一种用于齿轮故障诊断的GAF-inceptionResNet模型。该模型可以直接将原始一维振动信号经过格拉姆角场变换后形成图像作为模型的输入,通过Stem-block、残差Inception、残差模块和分类层相互连接。残差Inception网络能够拓宽网络深度,提升训练时长及准确率;残差模块利用恒等映射可以大幅度降低模型的训练难度。因此,该模型可有效地挖掘信号特征之间的信息,使模型的特征学习能力增强,从而提高准确率,精准确定故障。实验结果表明,该模型能够达到99.59%的故障诊断精度,有效实现齿轮箱良好的故障识别与分类。

针对刀具磨损的检测需求,提出一种GAF-CNN方法,对铣刀的力信号进行格拉姆角场处理,以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入,进而识别出刀具磨损的3种状态。经过实验,GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后,将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示,提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率,证明了该方法的可行性。