文献类型：期刊文章

作　　者：唐波[1,2] 陈慎慎[1]

Tang Bo;Chen Shenshen(College of Metrology and Measurement Engineering,China Jiliang University,Hangzhou 310018,China;Zhejiang Province Key Laboratory of Advanced Manufacturing Technology,Zhejiang University,Hangzhou 310058,China)

机构地区：[1]中国计量大学计量测试工程学院,杭州310018 [2]浙江大学浙江省先进制造技术重点实验室,杭州310058

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金(11872061);国家市场监督管理总局科技计划(2019MK103)资助项目。

年　　份：2020

卷　　号：32

期　　号：3

起止页码：88-93

语　　种：中文

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

摘　　要：针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。

关 键 词：滚动轴承 故障诊断 卷积神经网络

分 类 号：TH212] TH213