文献类型：期刊文章

作　　者：周陈林[1] 董绍江[1] 李玲[1] 汤宝平[2] 贺坤[1] 穆书锋[1] 张潇汀[3]

ZHOU Chen-lin;DONG Shao-jiang;LI Ling;TANG Bao-ping;HE Kun;MU Shu-feng;ZHANG Xiao-ting(School of Mechanical and Vehicle Engineering,Chongqing Jiaotong University,Chongqing 400074,China;State Key Laboratory of Mechanical Transmission,Chongqing University,Chongqing 400044,China;Finance Department,Chongqing Jiaotong University,Chongqing 400074,China)

机构地区：[1]重庆交通大学机电与车辆工程学院,重庆400074 [2]重庆大学机械传动国家重点实验室,重庆400044 [3]重庆交通大学财务处,重庆400074

出　　处：《振动工程学报》

基　　金：国家自然科学基金资助项目(51775072);重庆市科委基础与前沿项目(CSTC2017JCYJAX0279);重庆市研究生教育创新基金资助项目(CYS17199)。

年　　份：2020

卷　　号：33

期　　号：4

起止页码：854-860

语　　种：中文

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

摘　　要：针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行“端到端”的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。

关 键 词：故障诊断 滚动轴承 改进型卷积神经网络  多状态

分 类 号：TH165.3] TH133.33