典型文献
基于深度学习的船舶机械微小故障快速诊断方法
文献摘要：
微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于卷积神经网络(CNN)的智能诊断方法已成为船舶机械领域研究的热点.然而,现行的基于图像处理框架的2D-CNN算法在处理多传感器、多通道故障数据时存在检测时间长、数据融合效率低的不足.为此,提出一种改进的1DCNN-GAP的深度学习新算法,用于船舶旋转机械的故障快速诊断.该方法首先引入1D-CNN处理多传感器数据融合问题,然后设计了一维全局均值池化层(1D-GAP)改进全连接层结构,减少传统CNN的模型参数量和诊断时间.通过将提出的方法用于滚动轴承在1马力、2马力和3马力多种负载工况下的2通道振动传感器故障监测数据进行诊断,诊断精确率分别为99.84％、99.51％和99.33％.通过与主流的SVM、KNN、DNN和2DCNN-FC算法进行对比验证,结果表明,所提方法具备更加优越的诊断性能,更适用于多传感器监测环境下微小故障的快速诊断.
文献关键词：
故障诊断;一维卷积神经网络;多通道数据融合;船舶机械;滚动轴承;深度学习
中图分类号：
作者姓名：
宫文峰;陈辉;WANG Danwei
作者机构：
武汉理工大学高性能舰船技术教育部重点实验室,湖北 武汉 430063;桂林电子科技大学北海校区海洋工程学院,广西 北海 536000;新加坡南洋理工大学电子与电气工程学院 ST Engineering-NTU联合实验室,新加坡639798
文献出处：
引用格式：
[1]宫文峰;陈辉;WANG Danwei-.基于深度学习的船舶机械微小故障快速诊断方法)[J].计算机集成制造系统,2022(09):2852-2864
A类：
B类：
船舶机械,微小故障,快速诊断,大显,智能诊断方法,机械领域,处理框架,故障数据,检测时间,融合效率,1DCNN,GAP,新算法,船舶旋转机械,多传感器数据融合,融合问题,全局均值池化,全连接层,模型参数量,诊断时间,滚动轴承,马力,负载工况,振动传感器,传感器故障,故障监测,精确率,KNN,DNN,2DCNN,FC,对比验证,诊断性,传感器监测,一维卷积神经网络,多通道数据融合
AB值：
0.364183
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。
