GMRVGG:一种基于三模态图像特征融合的轴承故障诊断方法
作者:Ao Li, Yuantao Li, Xiaoli Wang, Jiancheng Yin
《Sensors》:GMRVGG: A Bearing Fault Diagnosis Method Based on Tri-Modal Image Feature Fusion
Ao Li,
Yuantao Li,
Xiaoli Wang and
Jiancheng Yin
【字体:
大
中
小
】
时间:2026年04月16日
来源:Sensors 3.5
编辑推荐:
摘要
轴承是旋转机械中的关键部件。轴承的故障诊断是机械健康监测领域的重要组成部分。然而,大多数现有方法仅依赖单模态数据或使用单一的信号到图像转换技术,导致信息维度不足和
摘要
轴承是旋转机械中的关键部件。轴承的故障诊断是机械健康监测领域的重要组成部分。然而,大多数现有方法仅依赖单模态数据或使用单一的信号到图像转换技术,导致信息维度不足和特征表示不充分,从而限制了诊断的准确性。为了解决这些问题,本文提出了一种基于三模态图像特征融合的轴承故障诊断方法(GADF-MTF-RP-VGG16, GMRVGG)。具体来说,首先使用三种图像转换技术——Gramian角差场(GADF)、马尔可夫转移场(MTF)和复发图(RP)将一维振动信号转换为二维图像。随后,通过VGG16神经系统提取并融合浅层到深层特征。最后,通过集成全连接分类器层来实现故障诊断。该方法在凯斯西储大学(CWRU)和渥太华大学的数据集上进行了全面验证,这些数据集分别加入了6 dB的高斯白噪声和6 dB的粉噪声以模拟复杂的工业环境。在这些恶劣条件下,该方法的总体准确率显著提高(在CWRU数据集上达到96.9%,在渥太华数据集上始终保持95.8%),远超过传统的单模态方法。这有效解决了特征维度不足和表示不充分的问题,为智能轴承故障诊断提供了一种高度可靠和稳健的解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号