文献类型：期刊文章

作　　者：张向阳[1] 陈果[1] 郝腾飞[2] 贺志远[1] 李栩进[1] 成震杰[1]

ZHANG Xiangyang;CHEN Guo;HAO Tengfei;HE Zhiyuan;LI Xujin;CHENG Zhenjie(College of Civil Aviation,Nanjing University of Aeronautics and Astronautics,Nanjing 211106,China;School of Automotive and Rail Transit,Nanjing Institute of Technology,Nanjing 2111679 China)

机构地区：[1]南京航空航天大学民航学院,南京211106 [2]南京工程学院汽车与轨道交通学院,南京211167

出　　处：《航空动力学报》

基　　金：国家自然科学基金（51675263）;国家科技重大专项（2017-Ⅳ-0008-0045）;南京工程学院高层次引进人才科研启动基金（YK201515)

年　　份：2019

卷　　号：34

期　　号：12

起止页码：2729-2737

语　　种：中文

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

摘　　要：针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。

关 键 词：滚动轴承 机匣信号  卷积神经网络(CNN)  小波尺度谱  故障诊断  

分 类 号：V263.6]