基于优化CNN与信息融合的地铁牵引电机轴承故障诊断.pdf

第4 1卷 第8期2 0 2 3年8月MA CH I N E R Y&E L E C T R ON I C SV o l.4 1 N o.8A u g.2 0 2 3收稿日期:2 0 2 2 1 1 1 4基金项目:国家自然科学基金资助项目(5 1 8 0 5 1 5 1);河南省高等学校重点科研项目(2 1 B 4 6 0 0 0 4)作者简介:王浏洋(1 9 9 7-),男,河南新蔡人,硕士研究生,研究方向为故障诊断;徐彦伟(1 9 7 8-),男,河南洛阳人,博士,副教授,研究方向为制造装备精度设计、故障诊断,通信作者。基于优化C NN与信息融合的地铁牵引电机轴承故障诊断王浏洋?1,徐彦伟1,2,颉潭成1,2,曹胜博1(1.河南科技大学机电工程学院,河南 洛阳 4 7 1 0 0 3;2.智能数控装备河南省工程实验室,河南 洛阳 4 7 1 0 0 3)摘 要:针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化C NN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU 2 1 6轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU 2 1 6轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为9 5.7 6%,基于声发射信号的故障诊断准确率为9 2.3 3%,基于融合信号的故障诊断准确率为9 8.5 9%。关键词:参数优化;卷积神经网络;信息融合;地铁牵引电机轴承;故障诊断中图分类号:TH 1 3 3.3 3;U 2 6 9.6 文献标志码:A 文章编号:1 0 0 1 2 2 5 7(2 0 2 3)0 8 0 0 3 9 0 6F a u l t D i a g n o s i s o f M e t r o T r a c t i o n M o t o r B e a r i n g B a s e d o nO p t i m i z e d C N N a n d I n f o r m a t i o n F u s i o nWA N G L i u y a n g1,X U Y a n w e i1,2,X I E T a n c h e n g1,2,C A O S h e n g b o1(1.S c h o o l o f M e c h a t r o n i c s E n g i n e e r i n g,H e n a n U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,L u o y a n g 4 7 1 0 0 3,C h i n a;2.H e n a n E n g i n e e r i n g L a b o r a t o r y o f I n t e l l i g e n t N u m e r i c a l C o n t r o l E q u i p m e n t,L u o y a n g 4 7 1 0 0 3,C h i n a)A b s t r a c t:A i m i n g a t t h e l o w r e c o g n i t i o n r a t e o f b e a r i n g f a u l t u n d e r s i n g l e s e n s o r,a n i n t e l l i g e n t d e t e c-t i o n m e t h o d f o r b e a r i n g f a u l t o f m e t r o t r a c t i o n m o t o r b a s e d o n o p t i m i z e d C NN a n d i n f o r m a t i o n f u s i o n i s p r o p o s e d.F i r s t l y,NU 2 1 6 b e a r i n g i s s e l e c t e d a s t h e r e s e a r c h o b j e c t t o p r e f a b r i c a t e f a u l t d e f e c t s;T h e n,t h e o r t h o g o n a l t e s t m e t h o d i s u s e d t o d e s i g n t h e t e s t s c h e m e,a n d t h e v i b r a t i o n s i g n a l a n d a c o u s t i c e m i s s i o n s i g n a l o f NU 2 1 6 b e a r i n g a r e c o l l e c t e d;S e c o n d l y,t h e t i m e a n d f r e q u e n c y d o m a i n c h a r a c t e r i s t i c s o f b e a r i n g v i b r a t i o n a n d a c o u s t i c e m i s s i o n s i g n a l s a r e e x t r a c t e d f r o m t h e o r i g i n a l d a t a t h r o u g h c o n t i n u o u s w a v e l e t t r a n s f o r m,a n d t h e t w o t y p e s o f s i n g l e c h a n n e l d a t a a r e f u s e d t o o b t a i n d u a l c h a n n e l f u s i o n d a t a s e t s;F i n a l-l y,t h e t h r e e k i n d s o f d a t a s e t s a r e d i v i d e d i n t o t r a i n i n g s e t a n d t e s t s e t,a n d t h e o p t i m i z e d c o n v o l u t i o n a l n e u r a l n e t w o r k m o d e l i s i n p u t f o r t r a i n i n g a n d t e s t i n g.T h e t e s t r e s u l t s s h o w t h a t t h e a c c u r a c y o f f a u l t d i-a g n o s i s b a s e d o n v i b r a t i o n s i g n a l i s 9 5.7 6%,t h e a c c u r a c y o f f a u l t d i a g n o s i s b a s e d o n a c o u s t i c e m i s s i o n s i g-n a l i s 9 2.3 3%,a n d t h e a c c u r a c y o f f a u l t d i a g n o s i s b a s e d o n f u s i o n s i g n a l i s 9 8.5 9%.K e y w o r d s:p a r a m e t e r o p t i m i z a t i o n;C N N;i n f o r m a t i o n f u s i o n;m e t r o t r a c t i o n m o t o r b e a r i n g;f a u l t d i a g n o s i s932 0 2 3(8)0 引言地铁牵引电机作为地铁车辆的动力系统,在启动运行过程中承载着剧烈而频繁的载荷与速度变化。地铁牵引电机轴承在不同工况下长时间运转后,很容易产生点蚀、裂纹等故障缺陷1,造成地铁动力系统的安全隐患。因此,及时识别出故障轴承并分析导致轴承故障的原因具有重要意义。基于振动信号的故障特征分析在保障轴承安全运行方面起到重要作用2。在特征提取时,主要从振动信号的时域、频域以及时频域等方面进行3。其中,用于特征评价的指标包括平均值、方差、标准差、峰度和偏度等;分析方法包括快速傅里叶变换(F F T)、小波变换(WT)和连续小波变换(CWT)等,用于分析振动信号的频域和时频域特征4。对于轴承故障诊断的研究大多是基于传统的故障识别方法,如B P神经网络和支持向量机(S VM)等,仅对轴承振动信号进行分析。这种诊断模式所提取的数据信息单一,提取的数据特征并不完全作为有效信息用于故障诊断,需要进一步对特征信息进行筛选5。为了提高轴承故障诊断准确率,能够提取轴承深层次数据特征的卷积神经网络逐渐成为故障诊断领域的研究热点。H a b b o u c h e等6通过一维卷积神经网络从振动信号中提取特征,对轴承故障进行了诊断;张超等7采用一维卷积神经网络与X G B o o s t相结合的方法,建立了滚动轴承故障分类模型。卷积神经网络具有处理二维图像的优势8,因此本文将预处理后的数据采用连续小波变换,将一维原始数据转化成二维图像进行故障研究。综上所述,一方面采用支持向量机等传统方法的处理过程依赖于专家系统经验,存在工作量大且故障诊断准确率不高等问题;另一方面,现有研究大多基于轴承振动信号,不能全面地反映轴承的运行特征。基于此,提出一种基于C NN与数据特征融合的地铁牵引电机轴承故障诊断方法,建立深度学习网络模型进行故障特征的自提取9,并将2种不同的轴承运行信号融合,建立融合数据集。通过优化的C NN网络模型,对不同工况下的振动数据集、声发射数据集和融合数据集进行训练分析,对比不同数据集下的故障诊断准确率。1 基础理论1.1 连续小波变换对任意f(t)L2(R)进行连续小波变换,则定义为Wf(a,b)=+?-?f(t)(a,b)(t)=a-12+?-?f(t)(t-ba)dt(1)a0为尺度参数;b为位置参数;t为时间;f(t)为信号或平方可积函数;Wf(a,b)为小波变换系数;t-ba 为t-ba 的复共轭函数;(t)为基本小波函数。1.2 卷积神经网络卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层1 0。其基本结构如图1所示。?()a?100806040200?/50403020100?()?b?1009080706050403020?/50403020100?图1 卷积神经网络基本结构1.2.1 卷积层卷积核在进行卷积运算时以滑动窗口的方式提取数据特征,在一定区域内做卷积运算,通过输入特征图与卷积核进行计算,输入新的特征图1 1。卷积过程为klj=rmi=1xl-1i*wlj i+cij (2)klj为j层中的第l个特征;i为输入的特征图序号;j为输出的特征图序号;wlj i为卷积核;cij为偏置项;r()为激活函数。1.2.2 池化层池化层包括平均值池化、最大值池化和随机值池化等,将输入尺寸较大的特征图经过计算输出尺寸较小的特征图1 2。池化过程为Xjl=d(Xjl-1)(3)d()为最大池化函数。1.2.3 输出层输出层包括全连接层与分类层。全连接层将输入特征经过计算输出新的特征向量,再由分类层输出1 3。计算过程为alj=ni=1xl-1iwlj i+cij (4)alj为全连接层输出特征向量的对应值;wlj i为对应的权重因数;()为激活函数。04王浏洋等:基于优化C NN与信息融合的地铁牵引电机轴承故障诊断智能制造1.3 特征融合特征融合包括同种类型信号和不同类型信号之间的融合。在将2种类型的信号融合之前,需要将数据进行归一化。在归一化之前需进行小波包分解提取特征1 4。试验采用8层小波包分解,共得到28=2 5 6段数据,对分解后的信号提取标准差特征(z)、均方根值特征(ZRMS)和峭度特征(K)。小波包分解流程如图2所示。图2中,S为原始信号,A为低频信号,D为高频信号。DDADDDDAADADDADDDADAADDAAAAADAAADAS、ZRMSZKXXA、ZRMSZKXXD图2 小波包分解流程设原数据矩阵A中列元素的集合为Gv,A内元素为hu v,归一化后的数据矩阵B内元素为pu v,则hu v与pu v的转换关系则可以表示为pu v=hu vm i n(Gv)-1(5)特征矩阵B表示为B=p1 1p1fpe1pe f (6)假设B中的列元素表示为Mv,在归一化处理后的数据表示为qu v,此时qu v与pu v有如下关系,即qu v=pu v-m i n(Mv)m a x(Mv)-m i n(Mv)(7)Gv为A中第v列元素的集合;hu v为A内u行v列的元素;B为A归一化后的数据矩阵;pu v为B内u行v列的元素;Mv为B中的第v列元素;qu v为归一化处理后的数据。信息融合是将多传感器信息在进行归一化处理之后,在数据层、特征层或决策层融合的技术1 5。2 试验参数及试验方案2.1 试验数据采集系统地铁牵引电机轴承信息采集系统由计算机采集系统、试验台控制系统、传感器系统、试验工装、变速系统和加载系统等组成,如图3所示。?图3 地铁牵引电机轴承信息采集系统2.2 地铁牵引电机轴承N U 2 1 6试验轴承选用NU 2 1 6地铁牵引电机轴承,轴承的尺寸参数如表1所示。表1 轴承NU 2 1 6参数序号项目类型或参数1轴承类型圆柱滚子轴承2内径/mm8 03外径/mm1 4 04厚度/mm2 65最小圆角半径/mm26轴承边角圆半径/mm27润滑方式油润滑8径向基本额定动载荷/N1 0 6 0 0 09径向基本额定静载荷/N1 2 2 0 0 02.3 预制轴承故障试验采用预制故障的办法可得到特定故障类型的轴承。为了保证在轴承缺陷预制的过程中减小对轴承构件表面的损伤,并且更好地保证预制故障的特征,本试验采用激光刻蚀法,预制出6种故障类型。如图4所示分别为预制裂纹和点蚀情形。()?a()b?图4 故障预制2.4 试验参数及试验方案试验设计的工装中包含5个轴承:1个为6 2 1 3限位 轴 承,2个 为N U 2 1 8加 载 轴 承,另 外2个 为N U 2 1 6试验轴承。3种轴承的性能参数如表2所示。结合实际运行工况,最终设计的试验方案中轴承的最大转速为2 4 0 0 r/m i n,平均载荷为7 k N。在试验方案中设计多级转速,分别取最高转速的1/3(8 0 0 r/m i n)和2/3(1 6 0 0 r/m i n),并设置3级载荷,分别为5 k N、7 k N、9 k N。142 0 2 3(8)表2 3种型号轴承参数序号型号极限转速/(rm i n-1)基本额定载荷/k N脂润滑油润滑动载荷静载荷16 2 1 35 0 0 06 3 0 04 0.05 7.22NU 2 1 83 4 0 04 3 0 03 1 2.02 3 0.03NU 2 1 63 8 0 04 8 0 01 3 2.01 6 5.0 试验采用正交试验法,试验安排如表3所示,每种工况下共6个采集点,每个采集点数据长度为1 0 0 0 0,采样频率为5 0 k H z,采样时长1 0 s。表3 试验安排转速/(rm i n-1)载荷/k N内圈点蚀内圈裂纹外圈点蚀外圈裂纹滚动体点蚀滚动体裂纹8 0 05/7/95/7/95/7/95/7/95/7/95/7/91 6 0 05/7/95/7/95/7/95/7/95/7/95/7/92 4 0 05/7/95/7/95/7/95/7/95/7/95/7/93 试验数据与样本生成针对上述试验采集到的轴承运行数据信息进行时频域分析,并将数据划分数据集进行卷积神经网络参数优化。数据处理流程如图5所示。?CNN?？?CNN?YN图5 数据处理流程时域特征包括标准差、均方根值和峭度等。公式为:z=1NNg=1zg-1NNg=1zg 2(8)ZRMS=1NNg=1z2g(9)K=1NNg=1z4g(1 0)zg为信号的时域序列,g=1,2,N;N为样本点数;z为标准差;ZRMS为均方根值;K为峭度。在相同转速、相同载荷的工况下,选取转速为2 4 0 0 r/m i n,载荷为7 k N,分析不同故障类型的轴承信号。振动信号时域图如图6所示(声发射信号结果和振动信号结果相似,无需赘述)。?()?a0 20 100 10 2.-.-.?/mV030 00020 00010 000?()?b0 20 100 1.-.?/mV030 00020 00010 000?()?c0 30 20 100 10 20 3.-.-.-.?/mV030 00020 00010 000?()?d?0 40 30 20 100 10 20 3.-.-.-.?/mV030 00020 00010 000?()?e?.-.-.0 20 100 10 2?/mV030 00020 00010 000?()?f?.-.-.0 30 20 100 10 2?/mV030 00020 00010 000图6 振动信号时域图由图6分析得出,不同故障类型的时域信号幅值较为集中,各时域图存在一定的差异。将归一化处理后的振动信号和声发射信号在特征层进行融合,得到归一化后的融合信号,如图7所示,频率幅值分布在(01)之间。1 00 80 60 40 20.?0100200300400500600?图7 归一化后的融合信号24王浏洋等:基于优化C NN与信息融合的地铁牵引电机轴承故障诊断智能制造4 轴承故障识别诊断4.1 连续小波变换提取特征小波分析可通过改变信号的时间分辨率和空间分辨率进行分析,便于提取原始信号的时频域特征来描述信号的时间和频率的局部特性1 61 7。选取在转速8 0 0 r/m i n、加载5 k N时滚动体点蚀的振动信号,进行连续小波变换后得到时频图如图8所示。50 00037 50025 00012 500000 5.1t/sf/Hz图8 滚动体点蚀振动信号时频图由于时频图特征信息用肉眼难以区分,因此要结合深度学习技术训练数据集,对所得结果进行分析。4.2 试验结果分析利用卷积神经网络,搭建故障诊断模型。经过模型参数优化,设置3个卷积层和3个池化层,池化方式采用最大池化;滑动步长为2;学习率为0.0 0 1,训练数据集比例为0.8;卷积层激活函数为R e L U函数,加入d r o p o u t层防止过拟合;输出层采用S o f t m a x分类器,有6个输出值,分别对应6种轴承故障类型。结构参数如表4所示。使用G o o g l e开发的T e n s o r-F l o w模块作为基础环境,环境为P y t h o n 3.9。表4 卷积神经网络结构参数结构参数输出尺寸/像素第1层卷积层552 5 62 5 6第1层池化层448 58 5第2层卷积层558 58 5第2层池化层222 82 8第3层池化层4499第3层卷积层7799 根据试验转速、载荷2个变量,共设计出以下2(A33+1)=1 4种诊断模式,如表5所示。将原始振动数据通过奈奎斯特采样定律、连续小波变换后,得到每种故障类型6 0 0张振动数据时频图,共6 0 06=3 6 0 0张作为数据集,按照41的比例划分出训练集和测试集。为方便表述,在以下图表中,A表示内圈点蚀;B表示内圈裂纹;C表示外圈点蚀;D表示外圈裂纹;E表示滚动体点蚀;F表示滚动体裂纹。数据集1的划分如表6所示。表5 1 4种诊断模式序号变量训练集测试集1转速/(rm i n-1)8 0 01 6 0 0、2 4 0 02转速/(rm i n-1)1 6 0 08 0 0、2 4 0 03转速/(rm i n-1)2 4 0 08 0 0、1 6 0 04转速/(rm i n-1)8 0 0、1 6 0 02 4 0 05转速/(rm i n-1)8 0 0、2 4 0 01 6 0 06转速/(rm i n-1)1 6 0 0、2 4 0 08 0 07转速/(rm i n-1)8 0 0、1 6 0 0、2 4 0 08 0 0、1 6 0 0、2 4 0 08载荷/k N57、99载荷/k N75、91 0载荷/k N95、71 1载荷/k N5、791 2载荷/k N5、971 3载荷/k N7、951 4载荷/k N5、7、95、7、9表6 构建的数据集1样本类型训练集样本数目测试集样本数目标签类型内圈点蚀4 8 01 2 0A内圈裂纹4 8 01 2 0B外圈点蚀4 8 01 2 0C外圈裂纹4 8 01 2 0D滚动体点蚀4 8 01 2 0E滚动体裂纹4 8 01 2 0F 划分训练集和测试集后输入优化的C NN网络模型进行训练,迭代次数为5 0,得到的损失与准确率随迭代次数的变化曲线如图9所示。由图9可知,迭代次数在达到1 0以后,模型的损失与准确率趋于稳定。?()a?100806040200?/50403020100?()?b?1009080706050403020?/50403020100?图9 损失与准确率的变化曲线得到的基于振动信号的混淆矩阵如图1 0所示。由图1 0可知,6种故障类型的分类准确率除A分类准确率为9 0.3%以外,其他类型分类准确率均在9 9.5%以上,模型精度可靠。在正交试验下,使训练集与测试集均含有振动信号、声发射信号和融合信号的试验数据。在6种故障类型、3种转速、3种载荷下共得到6 0 063=342 0 2 3(8)1 00 80 60 40 20.0 903.0 086.0 005.00 002.0 004.0 0.000 01.000 001.000 995.0 999.00 999.000 001.0 001.000000 002.0 003.00 999.0000 999.ABCDEFABCDEF?图1 0 基于振动信号的混淆矩阵1 0 8 0 0张时频图,按照41的比例划分出训练集和测试集,数据集2的划分如表7所示。表7 构建的数据集2样本类型训练集样本数目测试集样本数目标签类型内圈点蚀1 4 4 03 6 0A内圈裂纹1 4 4 03 6 0B外圈点蚀1 4 4 03 6 0C外圈裂纹1 4 4 03 6 0D滚动体点蚀1 4 4 03 6 0E滚动体裂纹1 4 4 03 6 0F 将数据集输入优化的C NN网络模型进行训练,迭代次数为5 0,得到的损失与准确率随迭代次数的变化曲线如图1 1所示。由图1 1可知,迭代次数在达到1 0以后,模型的损失与准确率趋于稳定,未发生过拟合。?()a?100806040200?/50403020100?()?b?1009080706050403020?/50403020100?图1 1 损失与准确率的变化曲线得到的诊断结果如图1 2所示。图1 2中,纵坐标表示预制的6种轴承故障,横坐标表示神经网络模型诊断出的6种故障类型,坐标格内颜色的深浅表示预测概率大小。因此模型输出的诊断结果即为实际故障类型对应的概率之和的平均值。由图1 2可知,基于振动信号的故障诊断准确率为9 5.7 6%;基于声发射信号的故障诊断准确率为9 2.3 3%;基于融合信号的故障诊断准确率为9 8.5 9%。100ABCDEF?0ABCDEF?ABCDEF?A B C D E FA B C D E FA B C D E FA B C D E F?（.）95 76?（.）92 33?（.）98 59图1 2 全工况时的诊断结果5 结束语结合优化的卷积神经网络与信息融合的方法,分别基于单一传感器信号与融合信号进行故障诊断,结果表明:a.基于优化的C NN网络模型得到的平均故障诊断准确率在9 0%以上,体现出深度学习方法在故障诊断领域的优越性。b.在变工况下基于振动信号与声发射信号融合的双通道轴承故障智能诊断率达到9 8.5 9%,高于振动信号或声发射信号的单通道诊断率。c.诊断结果能识别出轴承的故障类型,但无法判定轴承故障的严重程度。在后续的研究中,会针对该问题进行方案设计,进一步提高轴承故障诊断的智能性。参考文献:1 谢天雨,董绍江.基于改进C NN的噪声以及变负载条件下滚动轴承故障诊断方法J.噪声 与 振动 控制,2 0 2 1,4 1(2):1 1 1 1 1 7.2 米月花,霍国涛.多传感器信息融合的滚动轴承振动性能研究J.机械科学与技术,2 0 2 1,4 0(8):1 2 3 3 1 2 3 9.3 S OO THE R D K,KA LWA R I H,HU S S A I N T,e t a l.A n o v e l m e t h o d b a s e d o n UN E T f o r b e a r i n g f a u l t d i a g-n o s i sJ.C o m p u t e r s,m a t e r i a l s a n d c o n t i n u a,2 0 2 1,6 9(1):3 9 3 4 0 8.4 张弘斌,袁奇,赵柄锡,等.采用多通道样本和深度卷积神经网络的轴承故障诊断方法J.西安交通大学学报,2 0 2 0,5 4(8):5 8 6 6.5 张西宁,刘书语,余迪,等.改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用J.西安交通大学学报,2 0 2 1,5 5(6):1 8.(下转第4 8页)442 0 2 3(8)加准确率也随之上升,且逐渐接近1 0 0%,由此可以看出本文系统的有效性。4 结束语智能化变电站的建设离不开站内设备的智能化和测控技术的数字化,当前超高压断路器就地操作控制系统智能化程度低、问题较多及设备信息透明度低,难以适应智能电网对自动化、智能化的运行要求,因此,本文在7 5 0 k V的超高压供电系统中提出了一种基于智能继电保护技术的断路器控制方 法,以MC 9 S 1 2 X A 2 5 6 C A G微处理器 作为主要的控制模块,实现对断路器的控制。通过试验证明了本文所提方法在超高压系统的电流保护操作方面的准确性可高达9 9%,大大改善了断路器操作的准确性,有广泛的应用前景。参考文献:1 沈雨.智能变电站继电保护在线运维系统的架构与功能研究J.光源与照明,2 0 2 2(5):1 4 3 1 4 5.2 王海娜.继电保护在电力调控中的应用J.江西电力职业技术学院学报,2 0 2 2,3 5(3):1 0 1 2.3 李昕,付学玲,吴杰,等.分布式电网的可靠性指标体系应用J.集成电路应用,2 0 2 0,3 7(6):6 6 6 7.4 董彦宗.含分布式电源的微电网系统可靠性评估综述J.石家庄职业技术学院学报,2 0 2 0,3 2(2):1 9 2 2.5 关悦.电力系统继电保护可靠性研究J.光源与照明,2 0 2 2(4):1 8 0 1 8 2.6 张笑波,刘琪,夭小丽,等.对智能变电站继电保护系统可靠性问题的分析J.电子元器件与信息技术,2 0 2 1,5(1 2):3 9 4 0.7 贾海鹏,尹靖元,韦统振,等.一种晶闸管型混合直流断路器全 工 况 控 制 策 略 J.现 代 电 力:2 0 2 3,4 0(2):2 6 8 2 7 5.8 姚君峰.电站和变电站继电保护系统可靠性的优化方案J.机械管理开发,2 0 2 0,3 5(1 2):2 0 0 2 0 1.9 霍利敏.通用微机继电保护实验平台的研究与应用D.天津:天津职业技术师范大学,2 0 2 0.1 0 曾庆良,徐一沣.探究低压断路器自动重合闸装置J.自动化与仪器仪表,2 0 1 8,2 2 3(5):1 3 4 1 3 7.1 1 F I T R I AWA T I N,L E NA,MUR A D D F,e t a l.A u t o-m a t i c c i r c u i t b r e a k e r d e s i g n b a s e d o n f i r e i d e n t i f i c a-t i o n(s m o k e a n d f i r e)C/2 0 2 0 I n t e r n a t i o n a l C o n-f e r e n c e o n I n f o r m a t i o n M a n a g e m e n t a n d T e c h n o l o g y(I C I MT e c h),2 0 2 0:9 2 8 9 3 3.1 2 张恒山.继电保护系统的可靠性及其在电网中的运用J.通信电源技术,2 0 1 8,3 5(3):2 7 6 2 7 7,2 7 9.(上接第4 4页)6 HA B B OU CHE H,AM I R A T Y,B E NK E D J OUH T,e t a l.B e a r i n g f a u l t e v e n t t r i g g e r e d d i a g n o s i s u s i n g a v a r-i a t i o n a l m o d e d e c o m p o s i t i o nb a s e d m a c h i n e l e a r n i n g a p p r o a c hJ.I E E E T r a n s a c t i o n s o n e n e r g y c o n v e r s i o n,2 0 2 2,3 7(1):4 6 6 4 7 4.7 张超,秦敏敏,张少飞.基于1 D C NN X G B o o s t的滚动轴 承 故 障 诊 断 J.机 床 与 液 压,2 0 2 2,5 0(1 6):1 6 9 1 7 3.8 王军敏,樊养余,李祖贺.基于深度卷积神经网络和迁移学习的纹理图像识别J.计算机辅助设计与图形学学报,2 0 2 2,3 4(5):7 0 1 7 1 0.9 O Z C AN I H,D E V E C I OG L U O C,I N C E T,e t a l.E n-h a n c e d b e a r i n g f a u l t d e t e c t i o n u s i n g m u l t i c h a n n e l,m u l-t i l e v e l 1 D C NN c l a s s i f i e rJ.E l e c t r i c a l e n g i n e e r i n g,2 0 2 2,1 0 4(2):4 3 5 4 4 7.1 0 WAN G J X,WAN G D Z,WAN G S H,e t a l.F a u l t d i-a g n o s i s o f b e a r i n g s b a s e d o n m u l t i s e n s o r i n f o r m a-t i o n f u s i o n a n d 2 D c o n v o l u t i o n a l n e u r a l n e t w o r kJ.I E E E A c c e s s,2 0 2 1,9:2 3 7 1 7 2 3 7 2 5.1 1 郭双全.多卷积神经网络融合的滚动轴承故障识别方法J.装备机械,2 0 2 1(2):7 9 8 4.1 2 姚明镜,唐璇,吕昂.基于改进卷积神经网络的行星齿轮箱故障诊断研究J.制造技术与机床,2 0 2 1(7):1 4 1 1 4 5.1 3 蒙志强,董绍江,潘雪娇,等.基于改进卷积神经网络的滚动轴承故障诊断J.组合机床与自动化加工技术,2 0 2 0(2):7 9 8 3.1 4 Z HAN G J Q,S UN Y,GUO L,e t a l.A n e w b e a r i n g f a u l t d i a g n o s i s m e t h o d b a s e d o n m o d i f i e d c o n v o l u t i o n-a l n e u r a l n e t w o r k sJ.C h i n e s e j o u r n a l o f a e r o n a u t i c s,2 0 2 0,3 3(2):4 3 9 4 4 7.1 5 X U G W,L I U M,J I AN G Z F,e t a l.O n l i n e f a u l t d i a g-n o s i s m e t h o d b a s e d o n t r a n s f e r c o n v o l u t i o n a l n e u r a l n e t w o r k sJ.I E E E T r a n s a c t i o n s o n i n s t r u m e n t a t i o n a n d m e a s u r e m e n t,2 0 2 0,6 9(2):5 0 9 5 2 0.1 6 刘飞,陈仁文,邢凯玲,等.基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法J.振动与冲击,2 0 2 2,4 1(3):1 5 4 1 6 4.1 7 郑海波,李志远,陈心昭.基于连续小波变换的齿轮故障诊断方法研究J.机械工程学报,2 0 0 2,3 8(3):6 9 7 3.84