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

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.