文献类型：期刊文章

作　　者：宫文峰[1,2] 陈辉[1] 张泽辉[1] 张美玲[2] 管聪[1] 王鑫[2]

GONG Wen-feng;CHEN Hui;ZHANG Ze-hui;ZHANG Mei-ling;GUAN Cong;WANG Xin(Key Laboratory of High Performance Ship Technology of Ministry of Education in China,School of Energy and Power Engineering,Wuhan University of Technology,Wuhan 430063,China;Beihai Campus,Guilin University of Electronic and Technology,Beihai 536000,China)

机构地区：[1]武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室,湖北武汉430063 [2]桂林电子科技大学北海校区,广西北海536000

出　　处：《振动工程学报》

基　　金：国家自然科学基金资助项目(51579200,51909200);湖北省自然科学基金资助项目(2018CFB364);武汉理工大学优秀博士学位论文培育自主创新项目;中央高校基本科研业务费专项资金资助项目(2019-YB-023);广西高校中青年教师科研基础能力提升项目(2019KY0216)。

年　　份：2020

卷　　号：33

期　　号：2

起止页码：400-413

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。

关 键 词：故障诊断 滚动轴承 卷积神经网络 全局均值池化  深度学习  

分 类 号：TH165.3] TH133.33