基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法.pdf
2021年8月August，2021
失效分析与预防
第16卷第4期Vol.16，No.4
基于Blending多卷积神经网络模型融合的
滚动轴承声学故障诊断方法
*
余龙靖，
王
冉，
刘丰恺
（上海海事大学
物流工程学院，上海
201306）
[摘要]针对滚动轴承故障诊断中单一网络模型的不确定问题，并考虑到声信号非接触式测量的优势，提出一种多卷积神经网络
（CNN）模型融合的滚动轴承声学故障诊断方法，采用多通道传声器信号对每一个CNN进行训练，然后采用Blending模型融合方法将多
CNN模型进行融合，实现更精确、更可靠的故障诊断。通过半消声室内滚动轴承实验台的传声器数据对该方法的有效性进行实验验
证。结果证明：与单个CNN模型、支持向量机（SVM）、随机森林法（RF）、多层感知机（MLP）等方法相比，该方法可以避免复杂的人工特
征提取过程，通过模型融合能获得更高的诊断精度，并在一定程度上可以克服声学诊断中不易选择传声器测点位置的问题。
[关键词]模型融合；
卷积神经网络；
滚动轴承；
声信号；
故障诊断
[中图分类号]
TB53
[文献标志码]
A
doi：10.3969/j.issn.1673-6214.2021.04.004
[文章编号]
1673-6214(2021)04-0238-08
AcousticFaultDiagnosisofRollingBearingsBasedonBlendingModel
FusionofMultipleConvolutionalNeuralNetwork
*
YU
Long-jing，WANG
Ran，LIU
Feng-kai
(Logistics
Engineering
College,
Shanghai
Maritime
University,
Shanghai
201306,
China)
Abstract:Aiming
at
the
uncertainty
of
a
single
network
model
in
the
fault
diagnosis
of
rolling
bearings,
and
taking
into
account
the
advantages
of
non-contact
measurement
of
production
signals,
a
multi-reputation
convolutional
neural
network
(CNN)
model
fusion
method
for
rolling
bearing
production
and
academic
fault
diagnosis
is
proposed.
Employ
multi-channel
transmitter
signal
to
tra