文献类型：期刊文章

作　　者：宫文峰[1,2] 陈辉[1] 张美玲[2] 张泽辉[1]

Gong Wenfeng;Chen Hui;Zhang Meiling;Zhang Zehui(Key Laboratory of High Performance Ship Technology of Ministry of Education,Wuhan University of Technology,Wuhan 430063,China;Beihai Campus,Guilin University of Electronic and Technology,Beihai 536000,China)

机构地区：[1]武汉理工大学高性能舰船技术教育部重点实验室,武汉430063 [2]桂林电子科技大学北海校区,北海536000

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金面上项目(51579200);中央高校基本科研业务经费资助武汉理工大学优秀博士学位论文培育项目(2019-YB-023);广西高校中青年教师科研基础能力提升项目(2019KY0216);国家留学基金委博士联合培养项目资助.

年　　份：2020

卷　　号：41

期　　号：1

起止页码：195-205

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。

关 键 词：故障诊断 卷积神经网络 支持向量机 深度学习  全局均值池化  

分 类 号：TM307] TP18]