典型文献
基于深度学习的航空发动机齿轮故障诊断
文献摘要：
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高.针对此问题,采用一维卷积神经网络(one dimensional convolutional neural network,简称1D-CNN)对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断.试验与分析结果表明:采用该神经网络模型对齿轮进行分类,其准确率可达80％,相较于采用传统的前馈神经网络63.9％的识别准确率,提高了15.07％;与采用支持向量机(support vector machine,简称SVM)对故障进行分类识别相比,该方法准确率提高了15.89％.本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法.
文献关键词：
航空发动机;故障诊断;多传感器信息融合;深度学习;卷积神经网络
中图分类号：
作者姓名：
万安平;杨洁;王景霖;陈挺;缪徐;黄佳湧;杜翔
作者机构：
浙大城市学院机电系 杭州,310015;浙江大学机械工程学院 杭州,310027;故障诊断与健康管理技术航空科技重点实验室 上海,201601
文献出处：
引用格式：
[1]万安平;杨洁;王景霖;陈挺;缪徐;黄佳湧;杜翔-.基于深度学习的航空发动机齿轮故障诊断)[J].振动、测试与诊断,2022(06):1062-1067
A类：
B类：
齿轮故障诊断,机械故障诊断,故障诊断方法,信号处理,耗费,费时间,识别准确率,一维卷积神经网络,one,dimensional,convolutional,neural,network,1D,故障振动,卷积神经网络模型,航空发动机轴承,试验与分析,前馈神经网络,support,vector,machine,分类识别,够直,振动信号,池化,学习诊断,可行方法,多传感器信息融合
AB值：
0.283162
相似文献
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。
