基于数字孪生与深度学习的轴承故障诊断方法研究

摘要

介绍了一种结合了数字孪生数据、阶比分析和深度残差收缩网络(DRSN)模型的滚动轴承故障诊断方法，其目的是解决现有轴承故障诊断研究中存在的变转速工况下诊断精度低的问题。该方法通过阶比分析提取变转速工况下振动信号的故障特征，随后将一维的故障特征通过格拉米角和场(GASF)转换为二维彩色图像，最后使用DRSN对轴承故障进行分类诊断。在数字孪生轴承故障诊断过程中，使用Unity 3D搭建可视化界面，实现轴承状态的实时远程监控。为验证所提出方法的有效性，使用渥太华大学轴承数据集和自测数据集进行故障诊断实验，结果表明，该方法具有较高的准确率。

关键词

故障诊断 / 数字孪生 / 深度学习 / 滚动轴承

基金资助

山东省自然科学基金(ZR2023ME156); 高等学校学科创新引智计划(“111”计划)(D21017)