融合谱相关密度成像与深度学习用于旋转机械智能故障诊断
信号处理
2025-09-23 v1 计算机视觉与模式识别
摘要
旋转机械中的轴承故障诊断对于确保运行可靠性至关重要，因此早期故障检测对于避免灾难性故障和昂贵的紧急维修必不可少。传统方法如快速傅里叶变换（FFT）通常无法捕捉振动信号复杂的非平稳特性。本研究利用振动数据的循环平稳特性，通过谱相关密度（SCD）图像增强故障检测，并应用深度学习进行分类。使用一个包含在两个不同轴承座（A和B）中植入轴承故障、并在不同负载条件（0 Nm, 2 Nm, 4 Nm）下采集的公开数据集，我们将振动信号处理成二维SCD图像，以揭示故障特定的周期性，例如较大故障的宽带频谱（2000--8000 Hz）。开发了三种卷积神经网络（CNN）模型：自定义CNN、ResNet152V2和EfficientNetB0，用于对七种轴承状态进行分类。自定义CNN在轴承座A和B上分别达到了96.58%和94.95%的最高准确率，其次是ResNet152V2的96.49%和95.35%，以及EfficientNetB0的94.16%和91.65%。模型在不同外壳上的高准确率展示了一种鲁棒的解决方案，适用于可部署在传感平台附近的、具有成本效益的状态监测，为面向边缘智能的应用机器学习做出了贡献，并展示了处理复杂、潜在大规模振动数据的有效信号处理策略。
引用
@article{arxiv.2509.16580,
title = {Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery},
author = {Dilshara Herath and Chinthaka Abeyrathne and Chamindu Adithya and Chathura Seneviratne},
journal= {arXiv preprint arXiv:2509.16580},
year = {2025}
}