文章详情
| 稿件标题： | 基于深度CNN和ELM的滚动轴承故障诊断研究 |
| 稿件作者： | 顾鑫1，唐向红1，2,3，陆见光1,2,3，黎书文4 |
| DOI： | 10.11809/bqzbgcxb2020.03.031 |
| 科学编辑： | 高正明 博士（荆楚理工学院） |
| 栏目名称： | 机械制造与检测技术 |
| 关键词： | 深度卷积神经网络；极限学习机；滚动轴承；故障诊断；实时性 |
| 文章摘要： | 提出了一种深度卷积神经网络与极限学习机相结合的滚动轴承自适应故障诊断方法。该方法的第一阶段训练深度卷积神经网络作为特征提取器：通过卷积层和池化层提取低阶特征，然后在全连接层合成高层次特征。第二阶段将第一阶段自适应提取出来的特征通过极限学习机进行轴承故障类别的准确快速分类，实现了自适应“端到端”的故障诊断。实验结果表明，该方法能有效的识别故障类别，缩短了训练时间，并具有良好的鲁棒性和实时性。 |
| 稿件基金： | 贵州省公共大数据重点实验室开放基金项目（2017BDKFJJ019）；贵州省科技计划项目（黔科合平台人才［2017］5789-10）；贵州省科技计划项目(黔科合平台人才［2017］5789-24) |
| 引用本文格式： | 顾鑫，唐向红，陆见光，等.基于深度CNN和ELM的滚动轴承故障诊断研究［J］.兵器装备工程学报，2020,41(03):154-158. GU Xin, TANG Xianghong, LU Jianguang, et al.Research on Fault Diagnosis of Rolling Bearings Based on Deep CNN and ELM［J］.Journal of Ordnance Equipment Engineering,2020,41(03):154-158. |
| 刊期名称： | 2020年03期 |
| 出版时间： | 2020年3月 |
| 上线时间： | 2020年3月28日 |
| 浏览次数： | 2650 |
| 下载次数： | 446 |
| 免费阅读PDF 在线阅读 下载本期目录 下载本期封面 | |