文献类型：期刊文章

作　　者：安晶[1,2] 艾萍[2] 徐森[3] 刘聪[1] 夏建生[1] 刘大琨[1]

An Jing;Ai Ping;Xu Sen;Liu Cong;Xia Jiansheng;Liu Dakun(School of Mechanical Engineer,Yancheng Institute of Technology,Yancheng,224051,China;College of Computer and Information Engineering,Hohai University,Nanjing,211100,China;School of Information Engineering,Yancheng Institute of Teehnology,Yancheng,224051,China)

机构地区：[1]盐城工学院机械工程学院,盐城224051 [2]河海大学计算机与信息学院,南京211100 [3]盐城工学院信息工程学院,盐城224051

出　　处：《南京大学学报（自然科学版）》

基　　金：国家自然科学基金(51420105014;51505408);江苏省"333工程";江苏省高等学校自然科学研究项目(18KJB520050);江苏高校品牌专业建设工程"机械设计制造及其自动化"(PPZY2015B123)

年　　份：2019

卷　　号：55

期　　号：1

起止页码：133-142

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：状态监测和故障诊断对于维护系统性能和保证运行安全具有重要意义.针对传统智能识别方法需要复杂的特征提取过程和大量的诊断经验等问题,结合振动信号自身的一维性的特点,提出一种基于一维卷积神经网络(1-Dimensional Convolutional Neural Network,1DCNN)的旋转机械智能故障诊断方法.首先将数据信号通过傅里叶变换转换成频域信号并进行预处理,然后训练卷积神经网络自动提取特征,最后通过Softmax回归进行分类.在基准数据集上的实验结果表明,1DCNN模型不仅能有效地从原始信号中进行多种工况、多种故障位置、多种故障程度的特征提取和诊断,而且具有很高的故障识别精度,获得了优于主流故障诊断方法的结果.

关 键 词：卷积神经网络 一维  故障诊断 特征提取

分 类 号：TP183]