Im Betriebsprozess von Rotationsmaschinen geht mit einer Vielzahl von Geräuschen einher. Das bestehende Problem bei der Fehlerdiagnose von Rotationsmaschinen mit Einkanalnetzwerken ist die geringe Rauschfestigkeit. Es wird ein Modell für ein zweikanaliges Convolutional Neural Network Let Net-5 vorgeschlagen, das einen parallelen Mechanismus beinhaltet. Der Validierungsprozess des Modells verwendet den Datensatz der Kugellager der Case Western Reserve University. Auf dieser Grundlage wird dem Datensatz weißes Gauss-Rauschen mit einem Signal-Rausch-Verhältnis von –10 dB hinzugefügt, um reale Rauschszenarien zu simulieren. Es wird eine Kurzzeit-Fourier-Transformation verwendet, um die Vibrationsdaten des Lüfters und des Antriebsendes des Elektromotors zu verarbeiten, und die Zeitfrequenzbilder werden dem zweikanaligen Eingangsmodell des Convolutional Neural Network Let Net-5 zur Schulung und zum Lernen übertragen. Die Untersuchungsergebnisse zeigen, dass das zweikanalige Eingangsmodell des Convolutional Neural Network Let Net-5 in lauten Umgebungen gut die Fehlermerkmale erfassen kann. Im Vergleich zu einem Modell mit mehreren Maßstabsmerkmalen, einem Modell mit gekoppelten multi-modalen Eingängen, einem traditionellen k-NN- und Entscheidungsbaummodell sowie einem Einkanal-Convolutional Neural Network Let Net-5-Modell weist das zweikanalige Eingangsmodell des Convolutional Neural Network Let Net-5 eine höhere Effizienz und Genauigkeit auf.

Fehlerdiagnose; Vibration; Deep Learning; Doppelkanal; Geräusch