文献类型：期刊文章

作　　者：刁宁昆[1,2] 马怀祥[1,2] 刘锋[3]

Diao Ningkun;Ma Huaixiang;Liu Feng(Hebei Provincial Collaborative Innovation Center of Large Construction Machinery Manufacturing,Shijiazhuang Tiedao University,Shijiazhuang 050043,China;School of Mechanical Engineering,Shijiazhuang Tiedao University,Shijiazhuang 050043,China;China Orient Institute of Noise Vibration,Beijing 100089,China)

机构地区：[1]石家庄铁道大学河北省大型工程机械装备制造协同创新中心,石家庄050043 [2]石家庄铁道大学机械工程学院,石家庄050043 [3]北京东方振动和噪声技术研究所,北京100089

出　　处：《国外电子测量技术》

基　　金：国家自然科学基金(11872254);中铁十四局集团有限公司芜湖长江隧道建设指挥部工程科研项目(ZTSSJ-WHSD-GCKY-2021-002)资助。

年　　份：2022

卷　　号：41

期　　号：1

起止页码：140-145

语　　种：中文

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

摘　　要：针对传统卷积神经网络在滚动轴承故障诊断方面容易发生的过拟合、精度不足等问题,提出了一种改进LeNet5结合轻量级梯度提升机(LightGBM)的滚动轴承智能故障诊断方法。将滚动轴承的时域信号堆叠为二维的灰度图作为输入,通过改进卷积神经网络LeNet5实现原始数据特征的自适应提取,引入批归一化操作以及全局平均池化代替全连接层降低计算量,将特征输入LightGBM分类器中。使用西储大学轴承数据集以及INV1618实验台变转速数据进行实验结果验证,将该模型其他机器学习算法进行对比,证明了其在准确率和鲁棒性上的优势。

关 键 词：滚动轴承 故障诊断 卷积神经网络 LeNet5  LightGBM  

分 类 号：TH17] TH133.33