文献类型：期刊文章

作　　者：赵小强[1,2,3] 张青青[1,2]

ZHAO Xiaoqiang;ZHANG Qingqing(College of Electrical and Information Engineering,Lanzhou University of Technology Lanzhou,730050,China;Key Laboratory of Gansu Advanced Control for Industrial Processes Lanzhou,730050,China;National Experimental Teaching Center of Eletrical and Control Engineering,Lanzhou University of Technology Lanzhou,730050,China)

机构地区：[1]兰州理工大学电气工程与信息工程学院,兰州730050 [2]甘肃省工业过程先进控制重点实验室,兰州730050 [3]兰州理工大学国家级电气与控制工程实验教学中心,兰州730050

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(61763029);国家重点实验室开放基金资助项目(SKLLDJ012016020)。

年　　份：2020

卷　　号：40

期　　号：3

起止页码：472-480

语　　种：中文

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

摘　　要：旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。

关 键 词：故障诊断 滚动轴承 深度学习  变负荷 卷积神经网络

分 类 号：TH165.3] TH133.3