基于卷积神经网络的滚动轴承故障诊断研究综述

作者：赖荣燊,闫高强. 日期：2024-03-06/span> 浏览：1274 查看PDF文档

摘要:随着机器学习技术的兴起,深度学习被用于故障诊断领域并得到迅速发展,其中,卷积神经网络是具有出色特征提取能力的深度学习模型,因其适用于处理图像数据和高维数据而成为故障诊断研究的热点。针对传统故障诊断方法难以解决轴承振动信号存在的特征提取困难和信号噪声污染的问题,为高效、准确地完成滚动轴承故障诊断工作,首先,对卷积神经网络的结构进行了简单介绍,并研究了近年来经典卷积神经网络模型用于滚动轴承故障诊断的重要进展;然后,从深度特征提取、超参数调整和网络结构优化等角度,对各种优化卷积神经网络的方法原理进行了简单介绍,详细探讨了将卷积神经网络应用于滚动轴承故障诊断的优化途径和已经取得的研究进展;最后,对几种典型优化方法的优势与不足进行了比较,并对不同角度优化卷积神经网络的途径进行了总结。研究结果表明:基于卷积神经网络的滚动轴承故障诊断方法还需要解决数据不平衡、模型特征提取能力不足和泛化性不强的问题,后续研究工作应聚焦于多源数据融合、模型性能优化以及多方技术结合等方向。
关键词:滚动轴承;故障识别;卷积神经网络;深度学习;深度特征提取;超参数调整;网络结构优化
中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2024)02-0194-11

本文引用格式:
赖荣燊,闫高强.基于卷积神经网络的滚动轴承故障诊断研究综述［J］.机电工程,2024,40(2):194-204.
LAI Rongshen, YAN Gaoqiang. Review of rolling bearing fault diagnosis based on convolutional neural network［J］.Journal of Mechanical & Electrical Engineering, 2024,40(2):194-204.