关键词：卷积神经网络;机械;故障诊断;LiNet算法
摘 要：【目的】故障诊断是保障设备可靠、安全运行的关键措施。应着力解决现有故障诊断方法的假设故障样本为同分布的问题，从而提升多工况机械故障诊断的精准性和有效性。【方法】笔者提出基于少参数CNN的多工况机械故障诊断方法，并应用LiNet算法，对卷积神经网络的批归一化层进行优化。同时，笔者在基于CNN网络LiNet算法结构、LiNet算法训练、数据预处理三方面，对诊断方法的实现进行深度分析。在此基础上，笔者以工业齿轮箱的齿轮部件和轴承部件为例，对提出的算法进行验证。【结果】基于CNN网络LiNet算法的故障诊断方法对于轴承的故障诊断精度达到100%，对于齿轮的故障诊断精度达到95%以上。【结论】基于CNN网络LiNet算法的故障诊断方法的收敛速度较快，并具有一定泛化能力、域自适应能力，能够精准提取到故障信息数据，可以在实际机械故障检测中进行深度应用，后续可从故障模式分类视角进一步深化研究。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取