《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：陈晓
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

基于卷积孪生神经网络的滚动轴承故障定位方法

作者：刘岱,常东润,孙习习,等. 日期：2022-05-19/span> 浏览：1324 查看PDF文档

基于卷积孪生神经网络的滚动

轴承故障定位方法*

刘岱1,常东润2,孙习习2,陈斌2

(1.中国民航大学安全科学与工程学院,天津 300300;

2.中国民航大学电子信息与自动化学院,天津 300300)

摘要:在不同设备及不同工况的条件下,滚动轴承的振动数据分布存在差异,采用传统的深度学习模型难以应对数据集分布不一致的状况,针对这一问题,提出了一种基于卷积孪生神经网络的轴承故障定位方法。首先,选择孪生网络作为基本框架,对预处理后的设备数据进行了扩充,使之达到了数据增强的目的;然后,选择随机池化-ELU-CNN(SE-CNN）模型作为特征提取器,对设备运行数据进行了深度特征提取,利用反向传播算法更新模型参数,使模型的特征提取性能和分类性能达到了最优;最后,利用训练好的网络模型,通过集合两种数据集的混合数据集进行了实验,得到了滚动轴承的故障定位结果。研究结果表明:采用基于卷积孪生神经网络的轴承故障定位方法,其故障定位的各项评价指标均在95%以上,且其综合数据指标达到0.9863;与其他先进方法相比,在跨设备多工况下,该模型的故障定位准确度提高0.0246;模型能有效适应数据分布的差异性,且具备良好的泛化性能。

关键词:滚动轴承;故障定位方法;深度学习;卷积孪生神经网络

本文引用格式:

刘岱,常东润,孙习习,等.基于卷积孪生神经网络的滚动轴承故障定位方法［J］.机电工程,2022,39(3):309-316.

LIU Dai, CHANG Dong-run, SUN Xi-xi, et al. Fault location method of rolling bearing based on convolution twin neural network［J］.Journal of Mechanical & Electrical Engineering, 2022,39(3):309-316.