基于STFT-Inception-残差网络的轴承故障诊断

为使轴承故障诊断工作更加准确与智能化，构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法。首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图，分为训练集、验证集和测试集；然后使用训练集对搭建的Inception-残差网络模型进行迭代，不断更新网络参数，并由验证集检验模型是否出现过拟合现象；最后将训练好的模型应用于测试集，并通过输出层的分类器输出诊断结果。最终由实验证明所提方法的可行性，对轴承故障分类的平均准确率到达了99.98%±0.02%,相对于其他方法具有较高的准确率和稳定性。