原创力文档- 1、本文档共8页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
2021年8月August，2021
失效分析与预防
第16卷第4期Vol.16，No.4
基于Blending多卷积神经网络模型融合的
滚动轴承声学故障诊断方法
*
余龙靖，
王
冉，
刘丰恺
（上海海事大学
物流工程学院，上海
201306）
[摘要]针对滚动轴承故障诊断中单一网络模型的不确定问题，并考虑到声信号非接触式测量的优势，提出一种多卷积神经网络
（CNN）模型融合的滚动轴承声学故障诊断方法，采用多通道传声器信号对每一个CNN进行训练，然后采用Blending模型融合方法将多
CNN模型进行融合，实现更精确、更可靠的故障诊断。通过半消声室内滚动轴承实验台的传声器数据对该方法的有效性进行实验验
证。结果证明：与单个CNN模型、支持向量机（SVM）、随机森林法（RF）、多层感知机（MLP）等方法相比，该方法可以避免复杂的人工特
征提取过程，通过模型融合能获得更高的诊断精度，并在一定程度上可以克服声学诊断中不易选择传声器测点位置的问题。
[关键词]模型融合；
卷积神经网络；
滚动轴承；
声信号；
故障诊断
[中图分类号]
TB53
[文献标志码]
A
doi：10.3969/j.issn.1673-6214.2021.04.004
[文章编号]
1673-6214(2021)04-0238-08
AcousticFaultDiagnosisofRollingBearingsBasedonBlendingModel
FusionofMultipleConvolutionalNeuralNetwork
*
YU
Long-jing，WANG
Ran，LIU
Feng-kai
(Logistics
Engineering
College,
Shanghai
Maritime
University,
Shanghai
201306,
China)
Abstract:Aiming
at
the
uncertainty
of
a
single
network
model
in
the
fault
diagnosis
of
rolling
bearings,
and
taking
into
account
the
advantages
of
non-contact
measurement
of
production
signals,
a
multi-reputation
convolutional
neural
network
(CNN)
model
fusion
method
for
rolling
bearing
production
and
academic
fault
diagnosis
is
proposed.
Employ
multi-channel
transmitter
signal
to
tra
文档评论（0）