文献类型：期刊文章

作　　者：丁石川[1,2] 厉雪衣[1,2] 杭俊[1,2] 王尹江[1,2] 王群京[1,2]

DING Shichuan;LI Xueyi;HANG Jun;WANG Yinjiang;WANG Qunjing(School of Electrical Engineering and Automation,Anhui University,Hefei 230601,China;National Engineering Laboratory of Energy-Saving Motor&Control Technology,Anhui University,Hefei 230601,China)

机构地区：[1]安徽大学电气工程与自动化学院,安徽合肥230601 [2]安徽大学高节能电机及控制技术国家地方联合工程实验室,安徽合肥230601

出　　处：《电力系统保护与控制》

基　　金：国家自然科学基金项目资助(51637001,51607001,51507002);安徽省自然科学基金项目资助(1508085ME87,1708085QE108)。

年　　份：2020

卷　　号：48

期　　号：8

起止页码：172-188

语　　种：中文

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

摘　　要：电机已经被广泛应用到人们生产生活的各个领域中,电机的故障不但会对电机本身会造成损害,甚至会引发经济损失、人员伤亡等各种问题。因此,将及时且高效的故障诊断技术应用于电机有着重要意义。相比较传统故障诊断技术而言,深度学习因其更强大更复杂的数据表达能力,已被应用于电机故障诊断领域,并取得了一定的研究成果。因此,介绍了深度置信网络(DBN)、自编码网络(AE)、卷积神经网络(CNN)和循环神经网络(RNN)这四类经典的深度学习模型,并总结了这四类模型在电机故障诊断中的应用。最后对深度学习在电机故障诊断领域中所面临的问题和挑战进行了总结和展望。

关 键 词：电机 故障诊断 深度学习  深度置信网络  自编码网络  卷积神经网络 循环神经网络

分 类 号：TM307.1] TP18]