基于时频图的改进LeNet-5网络轴承故障诊断

简介

针对现行轴承故障诊断方法难以提取故障信号的细微特征值并且准确率较低的问题,提出基于小波变换和改进LeNet-5网络的轴承故障诊断方法。用小波变换将振动信号转换为二维时频图,并将网络模型中的卷积层构建成两个相对独立的且卷积核数不同的卷积网络支路,通过特征值融合提高提取特征值的效率,提升区分不同故障时频图的能力;选择ReLU作为激活函数,避免梯度消失;添加Dropout层,提高神经网络的泛化性。实验验证结果表明,相对于典型的卷积神经网络,所提方法用于轴承故障分类可以减少所需的迭代次数并提高准确率。