文献类型：期刊文章

作　　者：赵敬娇[1] 赵志宏[1,2] 杨绍普[1,2]

ZHAO Jingjiao;ZHAO Zhihong;YANG Shaopu(School of Information Science and Technology,Shijiazhuang Tiedao University,Shijiazhuang 050043,China;State Key Laboratory of Mechanical Behavior and System Safety of Traffic Engineering Structures,Shijiazhuang Tiedao University,Shijiazhuang 050043,China)

机构地区：[1]石家庄铁道大学信息科学与技术学院,石家庄050043 [2]石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄050043

出　　处：《振动与冲击》

基　　金：国家自然科学基金(11972236,11790282)。

年　　份：2021

卷　　号：40

期　　号：10

起止页码：1-6

语　　种：中文

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

摘　　要：针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。

关 键 词：一维卷积神经网络(1D-CNN)  残差连接  轴承故障诊断

分 类 号：TH133.33] TH165.3