基于GAF-CapsNet的电机轴承故障诊断方法

针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题，提出一种基于格拉姆角场（GAF）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。利用GAF对采集到的振动信号进行编码，可以很容易地进行角度透视，从而识别出不同时间间隔内的时间相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感，特征提取具有优势，同时考虑到VGG网络优秀的特征提取能力，在结合胶囊网络和VGG网络的基础上，加入深度小尺寸卷积层。将GAF编码的振动图像输入到改进的CapsNet网络进行训练，组成GAF-CapsNet模型对轴承故障进行诊断。该模型在凯斯西储大学轴承数据集上进行试验，结果表明，格拉姆角和场（GADF）编码方式相比格拉姆角差场（GASF）编码效果差，效果较好的GADF-CapsNet有99.27%准确率，较差的GASF-CapsNet也有98.83%准确率，相较其他编码方式和卷积神经网络，该模型性能表现普遍比其他模型具有更高准确率。