文献类型：期刊文章

作　　者：胡晓依[1] 荆云建[2] 宋志坤[2] 侯银庆[2]

HU Xiaoyi;JING Yunjian;SONG Zhikun;HOU Yinqing(Railway Sciences and Research Development Center,China Academy of Railway Sciences,Beijing 100081,China;School of Mechanical,Electronic and Control Engineering,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]中国铁道科学研究院铁道科学技术研究发展中心,北京100081 [2]北京交通大学机械与电子控制工程学院,北京100044

出　　处：《振动与冲击》

基　　金：国家自然科学基金—高铁联合基金(U1734201);中国铁路总公司科技研究计划开发课题(2017G011-C)

年　　份：2019

卷　　号：38

期　　号：18

起止页码：173-178

语　　种：中文

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

摘　　要：针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。

关 键 词：卷积神经网络 支持向量机 振动信号 故障识别

分 类 号：TH17]