10.11857/j.issn.1674-5124.2019010089
基于CNN和声音时频特征图的微型振动马达故障判别
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.
振动马达、故障判别、时频特征图、卷积神经网络
45
TP183(自动化基础理论)
四川省科技计划资助2019YFG0356;四川省科技厅重点研发项目2019YFG0359
2019-11-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
120-127