基于多输入卷积神经网络的轴承故障诊断方法

为了解决现有轴承故障诊断方法提取特征能力不足的问题，提出了一种基于多输入卷积神经网络的诊断方法。首先对原始的轴承一维振动信号分别通过短时傅里叶变换(STFT)和连续小波变换(CWT)转换为两种时频域图像信号；然后将两种时频图像输入到相应的具有不同卷积网络结构的特征提取层进行特征提取；最后将提取的故障特征图进行叠加后输入到分类层实现故障分类。采用t-分布随机邻域嵌入算法(t-SNE)对所提方法的特征提取效果进行了可视化分析。结果表明，与传统的轴承故障诊断方法相比，所提方法具有更强的故障特征提取能力且故障分类准确率达到了99.6%。