结合混合输入与混合 CNN-MLP 模型的智能轴承故障诊断方法
机器学习
2022-07-20 v1
摘要
滚动轴承是工业机械中应用最广泛的轴承之一。滚动轴承状态恶化可导致旋转机械的整体失效。基于 AI 的方法被广泛应用于滚动轴承诊断。基于混合神经网络的已被证明可取得最佳诊断结果。通常，原始数据由安装在机器外壳上的加速度计产生。然而，各信号的诊断效用高度依赖于相应加速度计的位置。本文提出一种基于新颖混合 CNN-MLP 模型、结合混合输入以进行滚动轴承诊断的方法。该方法利用来自轴上无线加速度传感器的加速度数据成功检测并定位轴承缺陷。实验结果表明，混合模型优于单独运行的 CNN 与 MLP 模型，对轴承故障的检测精度可达 99.6%，而 CNN 为 98%、MLP 为 81%。
引用
@article{arxiv.2112.08673,
title = {Intelligent Bearing Fault Diagnosis Method Combining Mixed Input and Hybrid CNN-MLP model},
author = {V. Sinitsin and O. Ibryaeva and V. Sakovskaya and V. Eremeeva},
journal= {arXiv preprint arXiv:2112.08673},
year = {2022}
}