论文摘要
电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。
论文目录
文章来源
类型: 期刊论文
作者: 宋浏阳,李石,王芃鑫,王华庆
关键词: 故障诊断,卷积神经网络,电流信号,深度学习
来源: 仪器仪表学报 2019年07期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 北京化工大学机电工程学院
基金: 国家自然科学基金(51805022,51675035)资助项目
分类号: TH17;TP277;TP18
DOI: 10.19650/j.cnki.cjsi.J1905145
页码: 39-46
总页数: 8
文件大小: 589K
下载量: 227