主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘立,朱健成,韩光洁,毕远国.基于1D-CNN联合特征提取的轴承健康监测与故障诊断.软件学报,2021,32(8):1-0
基于1D-CNN联合特征提取的轴承健康监测与故障诊断
Bearing Health Monitoring and Fault Diagnosis Based on Joint Feature Extraction in One-Dimensional Convolution Neural Network
投稿时间:2020-07-20  修订日期:2020-09-07
DOI:10.13328/j.cnki.jos.006188
中文关键词:  工业物联网  故障诊断  轴承  一维卷积神经网络  联合特征
英文关键词:Industrial Internet of Things  bearing fault diagnosis  one-dimensional convolution neural network  joint feature
基金项目:国家重点研发项目(2017YFE0125300);江苏省重点研发项目(BE2019648)
作者单位E-mail
刘立 河海大学 信息学部物联网工程学院, 江苏 常州 213022  
朱健成 河海大学 信息学部物联网工程学院, 江苏 常州 213022  
韩光洁 河海大学 信息学部物联网工程学院, 江苏 常州 213022 hanguangjie@gmail.com 
毕远国 东北大学 计算机科学与工程学院, 辽宁 沈阳 110167  
摘要点击次数: 156
全文下载次数: 101
中文摘要:
      针对特定机械设备构建数据驱动的故障诊断模型缺乏泛化能力,而轴承作为各型机械的共有核心部件,对其健康状态的判定对不同机械的衍生故障分析具有普适性意义.本文提出了一种基于1D-CNN联合特征提取的轴承健康监测与故障诊断算法.算法首先对轴承原始振动信号进行分区裁剪,裁剪获得的信号分区作为特征学习空间并行输入1D-CNN中,以提取各工况下的代表性特征域.为避免对故障重叠信息的处理,优先使用对健康状态敏感的特征域构建轴承健康状态判别模型,若健康状态判别模型识别轴承未处于健康状态,特征域将与原始信号联合重构,通过耦合自动编码器开展故障模式判定.使用凯斯西储大学的轴承数据开展实验,结果表明本文提出算法继承了深层学习模型的准确性和鲁棒性,具有较高的故障诊断精度和较低的诊断时延.
英文摘要:
      Data-driven fault diagnosis models for specific mechanical equipment lack generalization capabilities. As a core component of various types of machinery, the health status of bearings makes sense in analyzing derivative failures of different machinery. This paper proposes a bearing health monitoring and fault diagnosis algorithm based on 1D-CNN joint feature extraction. The algorithm first partitions the original vibration signal of the bearing in segmentations. The signal segmentations are used as feature learning spaces and input into the 1D-CNN in parallel to extract the representative feature domain under each working condition. To avoid processing overlapping information generated by faults, a bearing health status discriminant model is built in advance based on the feature domain sensitive to health status. If the health model recognizes that the bearing is not in a healthy state, the feature domain will be reconstructed jointly with the original signal and coupled with an automatic encoder for failure mode classification. Bearing data provided by Case Western Reserve University are used to carry out experiments. Experimental results demonstrate that the proposed algorithm inherits the accuracy and robustness of the deep learning model, and has higher diagnosis accuracy and lower time delay.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利