振动与冲击

作者：周奇才，?刘星辰，?赵炯，?沈鹤鸿，?熊肖磊

单位：同济大学 机械与能源工程学院，上海 201804

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

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，本文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，本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，本文提出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，证明本文提出模型的优势，最后通过PCA可视化分析说明模型在特征提取上的有效性。<br>

来源：2018年第23期

《振动与冲击》期刊编辑部

查看振动与冲击杂志2018年第23期