基于動態統計濾波與深度學習的智能故障診斷方法
宋瀏陽; 李石; 王芃鑫; 王華慶 北京化工大學機電工程學院; 北京100029
關鍵詞：故障診斷 卷積神經網絡 電流信號 深度學習
摘要：電流信號具有易采集、不易受環境噪聲影響的優點,為難以通過振動傳感器采集信號的特殊設備提供了可行的監測診斷思路,但電流信號也存在故障特征難以提取等問題。為此,將改進的動態統計濾波與深度卷積神經網絡(DCNN)結合,提出一種基于電流信號進行機械設備智能故障診斷的方法。引入綜合信息量指標(SIpq)優化濾波效果,基于改進的動態統計濾波方法,使不同狀態信號間的特征差異最大化,以提高狀態識別精度;通過交替堆疊特征圖尺寸不變的卷積層與逐層遞減的池化層,構建DCNN,提取電流信號中的高維故障特征。將動態統計濾波后的特征增強圖像輸入DCNN,識別故障類型。為驗證方法有效性,以不平衡、不對中、松動3種故障為對象進行故障類型識別,分析結果表明,所提方法可有效識別故障類型,與傳統的ANN、CNN等其他方法對比具有較好的識別精度。
儀器儀表學報雜志要求:
{1}注釋：將注釋按正文中出現的先后順序排列編號，用數字加圓圈標注，并集中排列在正文后。
{2}來稿以未在國內外正式發表為限。
{3}正文的層次標題應簡短明了，以15字為限，不用標點符號，其層次的劃分及編號一律使用阿拉伯數字分級編號法。
{4}“題目”應明晰（必要時可加副標題），并附有200字左右以內的“摘要”和3-5個“關鍵詞”。
{5}稿件研究內容如獲得課題或基金資助，請注明其名稱及項目號。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
相關期刊
