旋转机械一维深度卷积神经网络故障诊断研究

摘要：

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络AlexNet基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号.相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一:首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断.通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维LeNet5模型和经典AlexNet模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性.

关键词：深度学习、卷积神经网络、特征学习、智能诊断、旋转机械

所属期刊栏目：37

分类号：TH165+.3

在线出版日期：2019-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：31-37