文献类型：期刊文章

作　　者：曲建岭[1] 余路[1,2] 袁涛[1] 田沿平[1] 高峰[1]

QU Jian-ling;YU Lu;YUAN Tao;TIAN Yan-ping;GAO Feng(Department of Electrical Control and Command ofAviation Instrument,Qingdao Branch of Naval Aviation University,Qingdao 266041,China;Department of Navigation and Communication,Naval Submarine Academy,Qingdao 266199,China)

机构地区：[1]海军航空大学青岛校区航空仪电控制工程与指挥系,山东青岛266041 [2]海军潜艇学院航海观通系,山东青岛266199

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(51505491);航空科学基金项目(20165853040)

年　　份：2019

卷　　号：34

期　　号：12

起止页码：2619-2626

语　　种：中文

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

摘　　要：传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.

关 键 词：卷积神经网络 深度学习  层级化故障诊断  滚动轴承 振动信号

分 类 号：TP206]