Print

基于CNN和声音时频特征图的微型振动马达故障判别

论文摘要

为解决人耳听音判别微型振动马达故障困难的局面,提出基于CNN和声音时频特征图的微型马达故障判别方法。通过采集微型振动马达运转过程中的声音信号,进行短时傅里叶变换获得二维时频特征灰度图。将通过经验人员反复听音和相关设备辨别的工件制作成训练集和测试集,通过CNN对训练集中时频特征图进行学习,使网络模型能够具有马达故障判别功能,并在测试集上进行验证。在训练集准确率为99.2%时,测试集准确率为94.1%。为验证模型在实际坏件判别中的可靠性,对6种单一破坏的零件进行分类,平均判别准确率达90%。结果表明:基于CNN和声音时频特征图的微型马达故障判别方法在微型振动马达的故障判别上有可靠的效果,能够运用于工业环境中取代传统的人耳听音判别故障的方法。

论文目录

  • 0 引言
  • 1 微型振动马达声音信号时频图构建
  •   1.1 测量原理
  •   1.2 信号采集
  •   1.3 时频图灰度图构建
  •     1.3.1 A-计权
  •     1.3.2 短时傅里叶变换
  •     1.3.3 声音信号的时频图灰度图构建
  • 2 基于CNN和时频灰度图的故障识别
  •   2.1 CNN的网络结构
  •   2.2 CNN训练过程
  •   2.3 CNN的测试过程
  •   2.4 训练测试结果及模型评估
  • 3 结束语
  • 文章来源

    类型: 期刊论文

    作者: 冯涛,王杰,方夏,刘剑歌,黄思思

    关键词: 振动马达,故障判别,时频特征图,卷积神经网络

    来源: 中国测试 2019年10期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 电力工业,电信技术,自动化技术

    单位: 四川大学机械工程学院

    基金: 四川省科技计划资助(2019YFG0356),四川省科技厅重点研发项目(2019YFG0359)

    分类号: TM30;TP183;TN912.3

    页码: 120-127

    总页数: 8

    文件大小: 1669K

    下载量: 149

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/3d63e346d6558f52b329e508.html