文献类型：期刊文章

作　　者：陈仁祥[1,2] 黄鑫[1] 杨黎霞[3] 汤宝平[2] 余腾伟[1] 周君[1]

CHEN Ren-xiang;HUANG Xin;YANG Li-xia;TANG Bao-ping;YU Teng-wei;ZHOU Jun(School of Mechantronics and Vehicle Engineering,Chongqing Jiaotong University,Chongqing 400074,China;The State Key Laboratory of Mechanical Transmission,Chongqing University,Chongqing 400030,China;Chongqing Radio&TV University,Chongqing 400052,China)

机构地区：[1]重庆交通大学机电与车辆工程学院,重庆400074 [2]重庆大学机械传动国家重点实验室,重庆400030 [3]重庆广播电视大学,重庆400052

出　　处：《振动工程学报》

基　　金：机械传动国家重点实验室开放基金资助项目(SKLMT-KFKT-201710);国家自然科学基金资助项目(51305471;51775065);中国博士后科学基金资助项目(2014M560719);重庆市留学人员回国创业创新支持计划创新项目(CX2017076;CX2018116);重庆市技术创新与应用示范(社会民生类一般)项目(cstc2018jscx-msyb0982);重庆市研究生教育创新基金资助项目(CYS18224);城市轨道交通车辆系统集成与控制重庆市重点实验室开放课题基金资助项目(CKLURTSIC-KFKT-201809)

年　　份：2018

卷　　号：31

期　　号：5

起止页码：883-891

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。

关 键 词：故障诊断 滚动轴承 卷积神经网络 离散小波变换 自适应提取

分 类 号：TH165.3] TN911.7]