文献类型：期刊文章

作　　者：刘恒畅[1,2] 姚德臣[1,2] 杨建伟[1,2] 张骄[3]

LIU Hengchang;YAO Dechen;YANG Jianwei;ZHANG Jiao(School of Mechanical-Electronic and Vehicle Engineering,Beijing University of Civil Engineering Architecture,Beijing 100044,China;Beijing Key Laboratory of Performance Guarantee on Urban Rail Transit Vehicles,Beijing University of Civil Engineering and Architecture,Beijing 100044,China;Beijing Mass Transit Railway Operation Corporation Ltd.,Beijing 100044,China)

机构地区：[1]北京建筑大学机电与车辆工程学院,北京100044 [2]北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室,北京100044 [3]北京市地铁运营有限公司,北京100044

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51605023,51975038);北京市自然科学基金(L191005);北京市教委科研计划一般项目(SQKM201810016015);北京市属高校高水平教师队伍建设支持计划青年拔尖人才培育计划项目(CIT&TCD201904062,CIT&TCD201704052);北京建筑大学市属高校基本科研业务费专项资金(X18133,X20071);北京建筑大学研究生创新项目(PG2019092);北京建筑大学科学研究基金(00331615015)。

年　　份：2021

卷　　号：40

期　　号：10

起止页码：95-102

语　　种：中文

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

摘　　要：针对传统滚动轴承故障诊断方法存在抗噪性差、需要人工特征提取、计算量较大、对运行设备要求高的问题,提出一种基于多分支深度可分离卷积神经网络(MBDS-CNN)的滚动轴承故障诊断方法,利用深度可分离卷积和权重剪枝技术对模型尺寸进行压缩,通过多分支结构保证模型的精度,避免梯度消失现象的发生。使用模型尺寸、诊断精度、预测速度作为评价指标对模型进行评估。试验结果证明,基于多分支深度可分离卷积神经网络的滚动轴承故障诊断,可以在噪声环境下有效识别轴承不同部位故障程度,提高了诊断效率,降低了对运行设备性能的要求。

关 键 词：滚动轴承 故障程度  抗噪性 卷积神经网络(CNN)  故障诊断

分 类 号：TH133.33] U279.34]