基于小波时频图和2D-CNN的滚动轴承故障检测

作品简介

数据集分析

时域分析:在相关论文中,以时域分析作为输入的较多。时域分析中处理起来也很简单,编程容易。

频域分析:频域数据的优点就是提取了频域信息,特征明显。因为是研究信号,还是频域图更加直观,传统的方法里故障频率是至关重 要的指标,而且我们数字信号处理的重点也是频域的内容,但是频域数据丢失了时间特征。

时频图分析:通过小波变换或者短时傅里叶变换形成时频图,将图片作为输入。这里的输入信号是图像。缺点就是数据量大,处理起来 有点慢。这篇论文使用的是连续小波时频图,我用程序来对比一下不同数据的差别。

 

采用cmor3-3小波基对轴承样本数据集中的信号进行CWT,生成时频图。

训练结果




这里我们发现第二个图的收敛比第一个图慢,所以第一个图的网络结构参数更优,第一个图输入层28*28 ,第一层和第二层卷积层的卷积核个数分别为6 和12,卷积核的大小取为 5 × 5,激活函数选择 sigmoid 函数。




创作时间: