典型文献
基于分支卷积神经网络的托辊轴承故障分级诊断研究
文献摘要：
在对矿山机械装备中使用的轴承进行故障诊断时,易受噪声干扰及多变工况的影响,同时也难以适应不同诊断任务,针对这一系列问题,提出了一种基于分支卷积神经网络(B-CNN)的托辊轴承故障分级诊断方法.首先,根据具体的诊断任务故障的层级结构进行了划分,采用多层标签表示健康状态、故障类型和损伤程度;通过交替卷积和池化层,构建了一维卷积神经网络(1DCNN)特征提取块;然后,将层级结构和特征提取块融合,设计出了一种基于分支一维卷积神经网络(B-1DCNN)的轴承故障分级诊断模型;最后,使用美国凯斯西储大学轴承数据和自建的带式输送机托辊故障模拟实验台数据,对托辊轴承故障进行了模拟实验,对该方法在噪声干扰和多变工况下的诊断性能进行了验证.研究结果表明:该方法成功实现了对托辊轴承故障从粗到精的分级诊断,对噪声干扰和变工况具有较好的鲁棒性,且与支持向量机(SVM)和反向传播神经网络(BPNN)模型相比,该方法的故障诊断性能更好.
文献关键词：
矿山机械;滚动轴承;一维卷积神经网络;带式输送机;分支卷积神经网络;层级结构;变工况
中图分类号：
作者姓名：
陈维望;李军霞;张伟
作者机构：
太原理工大学 机械与运载工程学院,山西 太原030024;矿山流体控制国家地方联合工程实验室,山西 太原030024
文献出处：
引用格式：
[1]陈维望;李军霞;张伟-.基于分支卷积神经网络的托辊轴承故障分级诊断研究)[J].机电工程,2022(05):596-603
A类：
B类：
分支卷积神经网络,辊轴,轴承故障,诊断研究,矿山机械,机械装备,噪声干扰,变工况,层级结构,健康状态,故障类型,池化,一维卷积神经网络,1DCNN,分级诊断模型,凯斯,轴承数据,带式输送机,托辊故障,故障模拟,模拟实验,实验台,台数,诊断性,反向传播神经网络,BPNN,滚动轴承
AB值：
0.227643
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
