论文部分内容阅读
针对在轴承故障诊断中存在的故障数据较少、数据所属工况较多的问题,提出了一种基于阶次跟踪的数据增强算法。该算法利用阶次跟踪中的角域不变性,对原始振动信号进行时域重采样从而生成模拟信号,随后重新计算信号的幅值来抵消时域重采样以及环境噪声对原始信号能量的影响,最后使用随机零填充来保证信号在变化过程中采样长度不变。对比实验表明,该算法既可以增加样本多样性,又可以增加数据集样本的数量,改善原始数据集中存在的问题,有效提高故障诊断模型的分类准确率和泛化性能。