文献类型：期刊文章

作　　者：徐济宣[1] 马辉[2] 冯小凯[3]

XU Ji-xuan;MA Hui;FENG Xiao-kai(Department of Automotive Engineering,Jiangxi V&T College of Communications,Jiangxi Nanchang 330013,China;Jilin Agricultural Science and Technology University,Jilin Jilin 132101,China;Hunan University,Hunan Changsha 410082,China)

机构地区：[1]江西交通职业技术学院汽车工程系,江西南昌330013 [2]吉林农业科技学院,吉林吉林132101 [3]湖南大学,湖南长沙410082

出　　处：《机械设计与制造》

基　　金：2018年度湖南省自然科学基金(2018HN1006)。

年　　份：2021

期　　号：9

起止页码：150-154

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的,提出了基于深度神经网络的多源故障特征融合方法。介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征。以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10%以上,充分证明了基于多源异构特征融合故障诊断方法的有效性。

关 键 词：轴承故障诊断 多源异构数据  特征级融合 深度神经网络  

分 类 号：TH16] TH133