来源：期刊VIP网 时间：
作者：丁煦;吴俊杰;徐娟;朱强;
单位：合肥工业大学工业与装备技术研究院;航空结构件成形制造与装备安徽省重点实验室;合肥工业大学机械工程学院;合肥工业大学计算机与信息学院;
摘要：针对目前轴承行业故障分析诊断中普遍存在故障数据来源较少、涉及所属工况较多的难点问题，提出了基于MFEC(Mean Filling and Energy Conservation)的数据增强算法。首先对原始振动信号进行时域重采样；并使用重采样后信号的均值填充来保证信号的采样长度不变；由于信号的能量会发生改变，防止对结果产生影响，需要设置参数调整幅值使之能量守恒。之后对扩充的样本数据进行分数阶傅里叶变换（FRFT），得到不同阶次的一维信号。最后将这些一维信号作为深度学习网络（VGG-16）的输入，在神经网络中学习训练，实现轴承的故障诊断。实验表明，该方法有效地增加样本的数量及其多样性，并且不同阶次的处理信号对不同故障类型的诊断具有良好的针对性，有效提高故障诊断的分类效率和准确率。
关键词：故障诊断;;数据增强;;均值填充;;FRFT;;VGG-16
基金资助：国家自然科学基金(61806067)
