《机电工程》杂志,浙江大学与浙江省机电集团联合主办。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
主编赵 群
副 主 编唐任仲、罗向阳
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址浙江省杭州市大学路高官弄9号
电话Tel+86-571-87239525
E-mailmeem_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

基于分支卷积神经网络的托辊轴承故障分级诊断研究

作者:陈维望,李军霞,张伟 日期:2022-07-20/span> 浏览:198 查看PDF文档

基于分支卷积神经网络的托辊
轴承故障分级诊断研究*
陈维望1,2,李军霞1,2*,张伟1,2

(1.太原理工大学 机械与运载工程学院,山西 太原 030024;
2.矿山流体控制国家地方联合工程实验室,山西 太原 030024)


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。

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:TH133.3;TH222文献标识码:A文章编号:1001-4551(2022)05-0596-08



本文引用格式:

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,2022,39(5):596-603.

CHEN Wei-wang, LI Jun-xia, ZHANG Wei. Hierarchical fault diagnosis of idler bearing based on branch convolutional neural network[J].Journal of Mechanical & Electrical Engineering, 2022,39(5):596-603.


友情链接

浙江机械信息网