神经网络轴承故障诊断_一维卷积神经网络详解

大家好，又见面了，我是你们的朋友全栈君。

基于一维卷积神经网络的滚动轴承故障识别

文章目录

• 基于一维卷积神经网络的滚动轴承故障识别
• 一、数据预处理
• 二、模型构建
• 三、模型训练
• 四、模型测试
• 总结

---

一、数据预处理

采用美国凯斯西储大学(CWRU) 的开放轴承数据库的样本进行实验分析，轴承故障产生的实验台如下图所示。使用电火花加工技术分别在轴承的内圈、外圈和滚动体上引入单点缺陷，故障尺寸分别为 7、14和21 in，以48kHz采样频率采集不同负载下的故障轴承振动数据用于实验分析。

CWRU试验台

本文实验样本选取1HP下10种故障状态振动信号，构建数据集，每类样本长度为1024，其中具体实验样本信息如下表所示。另外每种轴承状态随机选择50%的样本用于模型训练和25%的样本用于模型的验证，25%的样本用于模型测试。

样本组成

二、模型构建

本文使用的CNN矿架是经典的LeNet-5，拥有两个交替的卷积池化层和一个两层全连接网络。其中模型结构如下图所示。