基于MTFSK-CapsNet的滚动轴承故障诊断研究

简介

针对一维滚动轴承振动信号输入神经网络无法保留原始振动信号的时域信息、易受强噪声干扰和胶囊网络分类精度不高的问题,提出一种基于MTFSK-CapsNet滚动轴承故障诊断方法。构建基于马尔可夫变换场和改进胶囊网络的轴承故障诊断模型,利用MTF对原始振动信号进行重新编码,保留振动信号的时频序列。通过改进后具有更强特征提取能力的选择核网络进行初步特征提取。引入改进后的胶囊网络进行特征集合的二次提取,并使用Softmax分类器完成对故障特征的分类。最后,为了验证模型的性能,在凯斯西储大学和实验室轴承数据集上进行了测试。结果表明该方法在两个轴承数据集上都具有较高的准确率,证明该模型具有较好的泛化能力和抗噪能力。