文献类型：期刊文章

作　　者：张文龙[1,2,3] 胡天亮[1,2,3,4] 王艳洁[5] 魏永利[1,2,3]

ZHANG Wenlong;HU Tianliang;WANG Yanjie;WEI Yongli(School of Mechanical Engineering,Shandong University,Jinan 250061,China;Key Laboratory of High Efficiency and Clean Mechanical Manufacture Shandong University,Ministry of Education,Jinan 250061,China;National Demonstration Center for Experimental Mechanical Engineering Education,Jinan 250061,China;Suzhou Institute,Shandong University,Suzhou 215123,China;College of Information Engineering,Quzhou College of Technology,Quzhou 324002,China)

机构地区：[1]山东大学机械工程学院,山东济南250061 [2]高效洁净机械制造教育部重点实验室,山东济南250061 [3]机械工程国家级实验教学示范中心,山东济南250061 [4]山东大学苏州研究院,江苏苏州215123 [5]衢州职业技术学院信息工程学院,浙江衢州324002

出　　处：《计算机集成制造系统》

基　　金：国家自然科学基金资助项目(51875323);山东省重点研发计划资助项目(重大科技创新项目)(2019JZZY010123);苏州市2017年科技发展计划资助项目(SYG201709);山东省产业领军人才培育资助项目(2016GRC3205)。

年　　份：2020

卷　　号：26

期　　号：3

起止页码：589-599

语　　种：中文

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

摘　　要：现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。

关 键 词：智能故障诊断 云/边缘协同  卷积神经网络 迁移学习  

分 类 号：TH133.3] TP206.3]