49、飞轮笼摩擦故障识别与转子不平衡测量可追溯性研究

飞轮笼摩擦故障识别与转子不平衡测量可追溯性研究

飞轮笼摩擦故障识别

在工业设备中，飞轮轴承的故障诊断至关重要，尤其是笼摩擦故障的准确识别。传统的故障诊断方法在处理一维振动信号时存在一定局限性，而本文提出的基于特征频率比（CFR）和一维卷积神经网络（1DCNN）的方法为解决这一问题提供了新的思路。

1DCNN的基本原理

深度学习使故障诊断模型能够从信号中自适应学习特征表示，以完成故障识别。然而，经典的二维卷积神经网络（2DCNN）模型主要用于识别二维图像的特征。在轴承故障诊断中，输入信号通常是一维的，经典2DCNN模型需要先将一维信号转换为二维图像进行深度学习。但坐标轴的选择、图像拉伸、位移和图像分辨率等因素会干扰故障特征在图像上的表示，直接影响深度学习的效果。因此，使用1DCNN模型诊断轴承的一维振动信号更具优势。

1DCNN可以直接处理振动信号的一维向量，利用CNN的自适应学习特性直接处理原始信号，避免了信号转换过程的干扰，实现了端到端的故障诊断。一个典型的1DCNN结构包括输入层、卷积层、池化层、全连接层和输出层。输入层用于接收训练和预测样本；卷积层能有效提取图像特征，通过一维卷积核对输入的一维信号进行局部卷积计算，生成一维卷积特征图；经过卷积层后，参数增多，需要池化层来减少神经网络的参数；然后将数据展平为特征向量，输入到全连接层；最后由输出层的“softmax”分类器进行分类。

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef proces