文献类型：期刊文章

作　　者：周文宣[1] 刘洋[2] 邓敏强[2] 丁雪[2] 邓艾东[2]

ZHOU Wenxuan;LIU Yang;DENG Minqiang;DING Xue;DEND Aidong(CHN Energy Suqian Power Generation Co.,Ltd.,Suqian 223803,Jiangsu Province,China;National Engineering Research Center of Turbo-Generator Vibration,School of Energy and Environment,Southeast University,Nanjing 210096,China)

机构地区：[1]国家能源集团宿迁发电有限公司,江苏宿迁223803 [2]东南大学能源与环境学院,火电机组振动国家工程研究中心,南京210096

出　　处：《动力工程学报》

基　　金：国家自然科学基金资助项目(51875100)。

年　　份：2022

卷　　号：42

期　　号：1

起止页码：43-48

语　　种：中文

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

摘　　要：针对变工况下滚动轴承的状态评估问题,提出了一种基于卷积神经网络(CNN)和卷积自编码(CAE)的故障诊断方法:首先将单一工况下有标签的数据和变工况下无标签的数据输入到CAE的编码器中,得到特征参数矩阵F;然后将由单一工况下数据得到的F输入到CNN轴承故障诊断模型中,得到状态类型并计算损失,将由全部数据得到的F输入到CAE的解码器得到重构数据并计算损失,根据这两个损失之和进行反向传播训练;最后将变工况下的数据输入到CAE编码器和CNN模型中得到状态类别。结果表明:CAE使不同工况下的数据经过编码器后得到的F分布更为接近,CAECNN模型的故障诊断准确率高于97%,可有效应用于变工况下滚动轴承的智能故障诊断。

关 键 词：滚动轴承 故障诊断  卷积自编码  卷积神经网络

分 类 号：TH133]