航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力.为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断.该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤.实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100％,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92％和18.9％,为航空发动机轴承故障诊断提供一种可行方法.

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

浙江大学机械工程学院,浙江省 杭州市 310027;浙江大学城市学院机电系,浙江省 杭州市 310015;故障诊断与健康管理技术航空科技重点实验室,上海市 松江区 201601

[1]杨洁;万安平;王景霖;单添敏;缪徐;李客;左强-.基于多传感器融合卷积神经网络的航空发动机轴承故障诊断)[J].中国电机工程学报,2022(13):4933-4941

多传感器融合,融合卷积神经网络,航空发动机轴承,轴承故障诊断,航空飞行器,机械故障,物理机理,信号分析,准确识别,耗力,多传感器信息融合,故障诊断模型,一维卷积神经网络,one,dimensional,convolutional,neural,network,1D,故障振动,波形信号,池化,舍弃,加速度传感器,传感器输入,support,vector,machine,前馈神经网络,分类识别,可行方法

0.260818