文献类型：期刊文章

作　　者：焦瀚晖[1] 胡明辉[1,2] 王星[3] 冯坤[2] 石保虎[3]

JIAO Han-hui;HU Ming-hui;WANG Xing;FENG Kun;SHI Bao-hu(Key Lab of Engine Health Monitoring-Control and Networking of Ministry of Education,Beijing University of Chemical Technology,Beijing 100029,China;Beijing Key Laboratory of High-end Mechanical Equipment Health Monitoring and Self-Recovery,Beijing University of Chemical Technology,Beijing 100029,China;SINOPEC Marketing South China Company,Guangzhou 510180,China)

机构地区：[1]北京化工大学发动机健康监控及网络化教育部重点实验室,北京100029 [2]北京化工大学高端机械装备健康监控与自愈化北京市重点实验室,北京100029 [3]中国石化销售股份有限公司华南分公司,广东广州510180

出　　处：《机电工程》

基　　金：博士后创新人才支持计划资助项目(BX20180031);NSFC-辽宁联合基金项目(U1708257);中央高校基本科研业务费专项资金资助项目(JD1913)。

年　　份：2020

卷　　号：37

期　　号：9

起止页码：1063-1068

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：将卷积神经网络(CNN)应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。

关 键 词：卷积神经网络 特征快速构造  振动信号分析 故障诊断 机泵故障  

分 类 号：TH311] TH113.1