针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端的滚动轴承性能退化指标构建方法。该方法在Softmax的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。

针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端的滚动轴承性能退化指标构建方法。该方法在Softmax的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。