关键词：旋转机械;;故障诊断;;卷积神经网络;;振动信号;;混合模型;;特征提取;;全局平均池化;;抗噪音干扰
摘 要：针对旋转机械信号采集过程中易受噪声干扰和单一智能诊断模型在故障诊断过程中鲁棒性差等问题，提出一种基于卷积神经网络（CNN）混合模型的旋转机械故障诊断方法。该模型由一维CNN和二维CNN组成，将原始的机械振动信号数据利用一维CNN和二维CNN进行处理，以充分利用采集的信号数据，最大化发挥CNN自适应提取特征的能力，并采用全局均值池化层替代传统CNN的连接层，减少训练参数和计算时间。最后利用特征融合技术将一维和二维CNN提取的主要特征输入Softmax分类器中，进行模式辨别与归类。通过基准轴承数据集和噪音干扰实验分别对该模型进行实验分析，实验结果证明了该方法的可行性与泛化性，具有较高的抗噪音干扰能力，对旋转机械的状况监测和故障诊断的研究具有良好的应用价值。
内 容：原文可通过湖北省科技信息共享服务平台（http://hbstl.hbstd.gov.cn/webs/homepage.jsp)获取