论文摘要
常规机械故障诊断方法需要信号预处理、特征提取、特征选择、模式识别等多个步骤,过程复杂,通用性差。卷积神经网络(Convolutional Neural Network, CNN)是一种自学习性能好、抗干扰能力强的深度神经网络。为了简化步骤、提高效率,将CNN引入到机械故障诊断,直接使用传感器测得的原始数据进行故障识别。由于机械振动信号的特征具有典型的时移性,CNN需要大量数据才能自我学习到这种特性。结合故障信号的冲击特点和CNN的不足,提出了权值求和和大尺度最大值池化策略,有效解决了特征的平移不变性,增强了小样本时的泛化能力。通过对单点和多点故障的轴承进行诊断,验证了平移不变CNN的有效性。与常规故障诊断方法和其他机器学习算法对比显示,平移不变CNN不仅准确率高,而且使用简单,为故障诊断提供了一种新的途径。
论文目录
文章来源
类型: 期刊论文
作者: 朱会杰,王新晴,芮挺,张欲保,李艳峰
关键词: 故障诊断,卷积神经网络,深度学习
来源: 振动与冲击 2019年05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: 无锡科研一所,上海交通大学自动化系,陆军工程大学野战工程学院,陆军军事交通学院汽车士官学校
基金: 国家自然科学基金项目(61472444,61472392)
分类号: TP183;TH17
DOI: 10.13465/j.cnki.jvs.2019.05.007
页码: 45-52
总页数: 8
文件大小: 1272K
下载量: 443