文献类型：期刊文章

作　　者：郭明军[1] 李伟光[1] 杨期江[2] 赵学智[1]

GUO Mingjun;LI Weiguang;YANG Qijiang;ZHAO Xuezhi(School of Mechanical&Automotive Engineering,South China University of Technology,Guangzhou 510640,China;School of Marine Engineering,Guangzhou Maritime College,Guangzhou 510725,China)

机构地区：[1]华南理工大学机械与汽车工程学院,广州510640 [2]广州航海学院轮机工程学院,广州510725

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51875205,51875216);广东省自然科学基金(2018A030310017);广州市科技计划(201904010133);广东省教育厅项目(2018KQNCX191)。

年　　份：2021

卷　　号：40

期　　号：3

起止页码：233-239

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统旋转机械智能识别方法需要人为提取特征及诊断精度低的问题,基于深度学习的强大学习能力,提出一种深度卷积神经网络故障诊断模型(Deep Convolutional Neural Network Fault Diagnosis Model,DCNN-FDM)用于轴心轨迹识别。该模型包括输入模块、特征提取模块及分类模块三部分。原始图像输入模型后,经过输入模块的二值化处理及最近邻插值,统一变为尺寸大小为32×32的单通道图像;经特征提取模块中两组交替的卷积层和池化层作用,得到图形特征;最后,这些特征经全连接层的扁平化处理而张成一维向量,输入到softmax分类器中进行分类。利用奇异值差分谱方法,对实测轴心轨迹进行提纯,得到4类轴心轨迹样本集用于DCNN-FDM的训练与预测。结果表明:所提模型较传统的浅层学习模型的识别效果好,可实现转子故障的精确诊断,识别率达到97.09%。最后通过全连接层的主成分可视化分析,验证了模型具备自适应特征学习能力。

关 键 词：轴心轨迹 特征提取 深度学习  卷积神经网络 故障诊断

分 类 号：TH113.1] TH165.3]