《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：赵群
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于并行1DCNN的滚动轴承故障诊断研究

作者：刘伟,单雪垠,李双喜,等日期：2022-02-23/span> 浏览：715 查看PDF文档

基于并行1DCNN的滚动轴承故障诊断研究*

刘伟1,单雪垠1,李双喜1*,张志华1,姚思雨2

(1.北京化工大学机电工程学院,北京 100029;2.石河子大学机械电气工程学院,新疆石河子 832003)

摘要:滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(onedimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试集;然后,构建了由两个通道组成的并行1DCNN模型,两通道可以分别获取振动信号的时域信息和频域信息,提取时域信息时使用相对较小的卷积核,而提取频域信息时使用相对较大的卷积核,并使用全局最大池化层替换了传统的全连接层;最后,用训练好的并行1DCNN模型对凯斯西储大学滚动轴承测试集数据进行了处理;同时为了验证并行1DCNN模型的故障诊断效果,将该模型与传统的CNN模型进行了比较。研究结果表明:并行1DCNN模型的故障诊断精度高于0.996,与传统单通道CNN模型相比,并行1DCNN模型可以充分利用所提取的时域和频域特征信息,具有更加出色的故障诊断能力。

关键词:滚动轴承;故障诊断;卷积神经网络;1DCNN;深度学习;特征提取

中图分类号:TH133.33;TH165.3文献标识码:A文章编号:1001-4551(2021)12-1572-07

本文引用格式:

刘伟,单雪垠,李双喜,等.基于并行1DCNN的滚动轴承故障诊断研究［J］.机电工程,2021,38(12):1572-1578.