文献类型：期刊文章

作　　者：卞景艺[1] 刘秀丽[1] 徐小力[1] 吴国新[1]

BIAN Jingyi;LIU Xiuli;XU Xiaoli;WU Guoxin(The Ministry of Education Key Laboratory of Modern Measurement and Control Technology,Beijing Information Science and Technology University,Beijing 100192,China)

机构地区：[1]北京信息科技大学现代测控技术教育部重点实验室,北京100192

出　　处：《振动与冲击》

基　　金：国家自然科学基金项目(51975058);北京学者计划项目资助(2015-2025);北京市教委科研计划面上项目(KM201811232023)。

年　　份：2021

卷　　号：40

期　　号：18

起止页码：204-211

语　　种：中文

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

摘　　要：针对机电装备故障诊断需要大量专家经验、故障特征识别困难的问题,在一维深度卷积神经网络基础上进行改进,构建多尺度一维深度卷积神经网络(M1DCNN),提出基于多尺度一维深度卷积神经网络的故障诊断方法:首先在网络输入层构建多个含有不同尺寸卷积核通道的特征提取层,对一维时序信号中故障特征进行多尺度特征提取,丰富智能体诊断信息,将所提取特征通过输入到包含多尺寸卷积核以及多样池化层中进行特征处理,最后合并多通道所处理的特征,使网络完成自我学习,从而实现故障诊断。将该方法应用到西储大学轴承故障数据及行星齿轮箱的故障数据诊断实验,结果表明该方法具有诊断精度高、鲁棒性强的特点,相较于一维卷积神经网络准确率提高1.25%,与反向传播神经网络、循环神经网络相比准确率平均提高3%以上,对网络特征提取效果进行可视化分析,结果表明该方法特征提取效果与诊断精度优于一维卷积神经网络。

关 键 词：深度卷积神经网络(DCNN)  多尺度特征提取  特征可视化 故障诊断

分 类 号：TH132.41]