AFDCNN方法及其在齿轮故障定量诊断中的应用

• 作者: 杨宇 程军圣 罗鹏
• 来源期刊: 电子测量与仪器学报
• 学科: 工学
• 关键词: 自适应特征提取 小样本 能量模型函数参数优化 自适应Fisher准则的深度卷积神经网络 齿轮 故障诊断
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 学术论文
• 页码范围: 33-39
• 页数: 7页
• 分类号: TH113.1|TN911
• 语种: 中文
• DOI: 10.13382/j.jemi.2018.01.005

摘要

传统的浅层故障诊断方法需要根据先验知识人为选取故障特征和设计分类器,基于深度学习理论的深度卷积神经网络(deep eonvolutional neural network,DCNN)能够完成对故障特征的自适应提取与健康状况的智能诊断,但是作为一种大数据处理工具,DCNN无法适应于小样本数据的故障诊断.在Fisher准则深度卷积神经网络识别算法(fisher-based deep convolutional neural network,FDCNN)的基础上提出了一种自适应Fisher准则的深度卷积神经网络(adaptive fisher-based deep convolutional neural network,AFDCNN)方法.在DCNN的基础上引入类内和类间约束的能量函数模型并采用优化算法得到最优能量函数模型参数,能够直接从原始时域信号中自动提取故障特征,实现智能诊断.对齿轮故障实验信号的分析结果表明,所提出的方法可以有效地实现小样本下的齿轮故障智能定量诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨宇		170	5200	44.0	68.0
2	程军圣		210	5603	44.0	69.0
3	罗鹏		10	106	6.0	10.0