文献类型：期刊文章

作　　者：院老虎[1] 连冬杉[1] 张亮[2] 刘义[3]

YUAN Lao-hu;LIAN Dong-shan;ZHANG Liang;LIU Yi(College of Aerospace Engineering,Shenyang Aerospace University,Shenyang 110136,China;Beijing Institute of Aerospace Systems Engineering,Beijing 100076,China;Beijing Machinery Industry Automation Research Institute Co.,Ltd.,Beijing 100120,China)

机构地区：[1]沈阳航空航天大学航空宇航学院,沈阳110136 [2]北京宇航系统工程研究所,北京100076 [3]北京机械工业自动化研究所有限公司,北京100120

出　　处：《吉林大学学报（工学版）》

基　　金：国家自然科学基金项目(11302134).

年　　份：2021

卷　　号：51

期　　号：5

起止页码：1635-1641

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对旋转机械故障诊断浅层学习方法的高级特征提取问题和实际工程中可利用故障样本数量较少对诊断精度影响大的问题,提出了一种基于密集连接卷积网络(DenseNet)和支持向量机(SVM)的旋转机械故障诊断方法。首先,使用连续小波变换(CWT)将振动信号段转换为时频图像样本;然后,将试验样本输入DenseNet网络模型进行深层特征的提取;最后,将提取到的特征输入SVM模型进行训练,从而实现旋转机械的故障诊断。仿真结果表明:与其他先进模型相比,本文方法得到了更高的诊断准确率,证明了该方法的有效性和可行性。

关 键 词：航空工程 密集连接卷积网络  支持向量机 飞行器 机械部件 故障诊断

分 类 号：V267]