基于卷积神经网络的机械故障诊断技术综述

doi:10.11772/j.issn.1001-9081.2021071266

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (4): 1036-1043.DOI: 10.11772/j.issn.1001-9081.2021071266

所属专题： CCF第36届中国计算机应用大会 (CCF NCCA 2021)

• CCF第36届中国计算机应用大会 (CCF NCCA 2021) • 上一篇下一篇

基于卷积神经网络的机械故障诊断技术综述

汪祖民¹, 张志豪¹, 秦静², 季长清¹^,³()

^1.大连大学信息工程学院, 辽宁大连 116622
^2.大连大学软件工程学院, 辽宁大连 116622
^3.大连大学物理科学与技术学院, 辽宁大连 116622

收稿日期:2021-07-16 修回日期:2021-09-24 接受日期:2021-09-30 发布日期:2021-09-24 出版日期:2022-04-10
通讯作者: 季长清
作者简介:汪祖民（1975—），男，河南信阳人，教授，博士，CCF会员，主要研究方向：智慧城市、物联网
张志豪（1995—），男，山东青岛人，硕士研究生，CCF会员，主要研究方向：机械故障诊断
秦静（1981—），女，甘肃张掖人，讲师，博士，CCF会员，主要研究方向：网络安全
基金资助:
大连市科技创新基金资助项目(2020JJ26SN058)

Review of mechanical fault diagnosis technology based on convolutional neural network

Zumin WANG¹, Zhihao ZHANG¹, Jing QIN², Changqing JI¹^,³()

^1.College of Information Engineering，Dalian University，Dalian Liaoning 116622，China
^2.College of Software Engineering，Dalian University，Dalian Liaoning 116622，China
^3.College of Physical Science and Technology，Dalian University，Dalian Liaoning 116622，China

Received:2021-07-16 Revised:2021-09-24 Accepted:2021-09-30 Online:2021-09-24 Published:2022-04-10
Contact: Changqing JI
About author:WANG Zumin， born in 1975， Ph. D.， professor. His research interests include smart city， Internet of things.
ZHANG Zhihao， born in 1995， M. S. candidate. His research interests include mechanical fault diagnosis.
QIN Jing， born in 1981， Ph. D.， lecturer. Her research interests include network security.
Supported by:
Dalian Science and Technology Innovation Fund(2020JJ26SN058)

摘要/Abstract

摘要：

针对传统机械故障诊断方法难以解决人工提取不确定性的问题，提出了大量深度学习的特征提取方法，极大地推动了机械故障诊断的发展。作为深度学习的典型代表，卷积神经网络（CNN）在图像分类、目标检测、图像语义分割等领域都取得了重大的发展，在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题，首先简单介绍了CNN的相关理论，然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结，最后展望了CNN及其在机械故障诊断应用中的发展方向。

关键词: 卷积神经网络, 机械故障诊断, 迁移学习, 预测, 深度学习

Abstract:

In view of the difficulty of traditional mechanical fault diagnosis methods to solve the problem of the uncertainty of manual extraction， a large number of deep learning feature extraction methods have been proposed， which greatly promotes the development of mechanical fault diagnosis. As a typical representative of deep learning， convolution neural networks have made significant developments in image classification， target detection， image semantic segmentation and other fields. There is also a lot of literature in the field of mechanical fault diagnosis. In view of the published literature， in order to further understand the problem of mechanical fault diagnosis by using the method of convolutional neural network， on the basis of a brief introduction to the relevant theories of convolution neural network， and then from the aspects such as data input type， transfer learning， and prediction， the applications of convolution neural network in mechanical fault diagnosis were summarized. Finally， the development directions of convolution neural network and its applications in mechanical fault diagnosis were prospected.

Key words: Convolutional Neural Network (CNN), mechanical fault diagnosis, transfer learning, forecasting, deep learning

中图分类号:

TP306.3

汪祖民, 张志豪, 秦静, 季长清. 基于卷积神经网络的机械故障诊断技术综述[J]. 计算机应用, 2022, 42(4): 1036-1043.

Zumin WANG, Zhihao ZHANG, Jing QIN, Changqing JI. Review of mechanical fault diagnosis technology based on convolutional neural network[J]. Journal of Computer Applications, 2022, 42(4): 1036-1043.

图/表 5

参考文献 57

1	JIAO J Y， ZHAO M， LIN J， et al. Hierarchical discriminating sparse coding for weak fault feature extraction of rolling bearings［J］. Reliability Engineering & System Safety， 2019， 184： 41-54. 10.1016/j.ress.2018.02.010
2	雷亚国，何正嘉. 混合智能故障诊断与预示技术的应用进展［J］. 振动与冲击， 2011， 30（9）： 129-135. 10.3969/j.issn.1000-3835.2011.09.028
	LEI Y G， HE Z J. Advances in applications of hybrid intelligent fault diagnosis and prognosis technique［J］. Journal of Vibration and Shock， 2011， 30（9）： 129-135. 10.3969/j.issn.1000-3835.2011.09.028
3	雷亚国，贾峰，周昕，等. 基于深度学习理论的机械装备大数据健康监测方法［J］. 机械工程学报， 2015， 51（21）： 49-56. 10.3901/JME.2015.21.049
	LEI Y G， JIA F， ZHOU X， et al. A deep learning-based method for machinery health monitoring with big data ［J］. Journal of Mechanical Engineering， 2015， 51（21）： 49-56. 10.3901/JME.2015.21.049
4	SHAO H D， CHEN J S， JIANG H K， et al. Enhanced deep gated recurrent unit and complex wavelet packet energy moment entropy for early fault prognosis of bearing［J］. Knowledge-Based Systems， 2020， 188： 105022. 10.1016/j.knosys.2019.105022
5	RAUBER T W， BOLDT F A， VAREJAO F M. Heterogeneous feature models and feature selection applied to bearing fault diagnosis［J］. IEEE Transactions on Industrial Electronics， 2014， 62（1）： 637-646. 10.1109/tie.2014.2327589
6	CHINE W， MELLIT A， LUGHI V， et al. A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks［J］. Renewable Energy， 2016， 90： 501-512. 10.1016/j.renene.2016.01.036
7	WIJAYASEKARA D， LINDA O， MANIC M， et al. FN-DFE： Fuzzy-neural data fusion engine for enhanced resilient state-awareness of hybrid energy systems［J］. IEEE Transactions on Cybernetics， 2014， 44（11）： 2065-2075. 10.1109/tcyb.2014.2323891
8	GUNERKAR R S， JALAN A K， BELGAMWAR S U. Fault diagnosis of rolling element bearing based on artificial neural network［J］. Journal of Mechanical Science and Technology， 2019， 33（2）： 505-511. 10.1007/s12206-019-0103-x
9	KUMAR T P， SAIMURUGAN M， HARAN R B H， et al. A multi-sensor information fusion for fault diagnosis of a gearbox utilizing discrete wavelet features［J］. Measurement Science and Technology， 2019， 30（8）： 085101. 10.1088/1361-6501/ab0737
10	任浩，屈剑锋，柴毅，等. 深度学习在故障诊断领域中的研究现状与挑战［J］. 控制与决策， 2017， 32（8）： 1345-1358. 10.13195/j.kzyjc.2016.1625
	REN H， QU J F， CHAI Y， et al. Deep learning for fault diagnosis： The state of the art and challenge［J］. Control and Decision， 2017， 32（8）： 1345-1358. 10.13195/j.kzyjc.2016.1625
11	LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the Institute of Electrical and Electronics Engineers， 1998， 86（11）： 2278-2324. 10.1109/5.726791
12	WU S T， ZHONG S H， LIU Y. Deep residual learning for image steganalysis［J］. Multimedia Tools and Applications， 2018， 77： 10437-10453. 10.1007/s11042-017-4440-4
13	KRIZHEVSK A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90. 10.1145/3065386
14	曲建岭，余路，袁涛，等. 基于一维卷积神经网络的滚动轴承自适应故障诊断算法［J］. 仪器仪表学报， 2018， 39（7）： 134-143. 10.19650/j.cnki.cjsi.J1803286
	QU J L， YU L， YUAN T， et al. Adaptive fault diagnosis algorithm for rolling bearings based on one-dimensional convolutional neural network［J］. Chinese Journal of Scientific Instrument， 2018， 39（7）： 134-143. 10.19650/j.cnki.cjsi.J1803286
15	YAN R Q， GAO R X， CHEN X F. Wavelets for fault diagnosis of rotary machines： a review with applications［J］. Signal Processing， 2014， 96（Part A）： 1-15. 10.1016/j.sigpro.2013.04.015
16	CHEN H P， HU N Q， CHENG Z， et al. A deep convolutional neural network based fusion method of two-direction vibration signal data for health state identification of planetary gearboxes［J］. Measurement， 2019， 146： 268-278. 10.1016/j.measurement.2019.04.093
17	GUO X J， CHEN L， SHEN C Q. Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis［J］. Measurement， 2016， 93： 490-502. 10.1016/j.measurement.2016.07.054
18	YOU W， SHEN C Q， GUO X J， et al. A hybrid technique based on convolutional neural network and support vector regression for intelligent diagnosis of rotating machinery［J］. Advances in Mechanical Engineering， 2017， 9（6）： 1-17. 10.1177/1687814017704146
19	YANG H B， ZHANG J A， CHEN L L， et al. Fault diagnosis of reciprocating compressor based on convolutional neural networks with multisource raw vibration signals［J］. Mathematical Problems in Engineering， 2019， 2019： 6921975.1-6921975.7. 10.1155/2019/6921975
20	WANG H Q， LI S， SONG L Y， et al. A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals［J］. Computers in Industry， 2019， 105： 182-190. 10.1016/j.compind.2018.12.013
21	WEIMER D， SCHOLZ-REITER B， SHPITALNI M. Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection［J］. CIRP Annals， 2016， 65（1）： 417-420. 10.1016/j.cirp.2016.04.072
22	SUN J H， XIAO Z W， XIE Y X. Automatic multi-fault recognition in TFDS based on convolutional neural network［J］. Neurocomputing， 2017， 222： 127-136. 10.1016/j.neucom.2016.10.018
23	HOANG D T， KANG H J. Rolling element bearing fault diagnosis using convolutional neural network and vibration image［J］. Cognitive Systems Research， 2019， 53： 42-50. 10.1016/j.cogsys.2018.03.002
24	TIAN Y， LIU X. A deep adaptive learning method for rolling bearing fault diagnosis using immunity［J］. Tsinghua Science and Technology， 2019， 24（6）： 750-762. 10.26599/tst.2018.9010144
25	JANSSENS O， SLAVKOVIKJ V， VERVISCH B， et al. Convolutional neural network based fault detection for rotating machinery［J］. Journal of Sound and Vibration， 2016， 377： 331-345. 10.1016/j.jsv.2016.05.027
26	XU G， LIU M， JIANG Z， et al. Bearing fault diagnosis method based on deep convolutional neural network and random forest ensemble learning［J］. Sensors（Basel）， 2019， 19（5）： 1088. 10.3390/s19051088
27	JING L， ZHAO M， LI P， et al. A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox［J］. Measurement， 2017， 111： 1-10. 10.1016/j.measurement.2017.07.017
28	EREN L， INCE T， KIRANVAZ S. A generic intelligent bearing fault diagnosis system using compact adaptive 1D CNN classifier［J］. Journal of Signal Processing Systems， 2019， 91（2）： 179-189. 10.1007/s11265-018-1378-3
29	HUANG W， CHENG J， YANG Y， et al. An improved deep convolutional neural network with multi-scale information for bearing fault diagnosis［J］. Neurocomputing， 2019， 359： 77-92. 10.1016/j.neucom.2019.05.052
30	HAN Y， TANG B， DENG L. An enhanced convolutional neural network with enlarged receptive fields for fault diagnosis of planetary gearboxes［J］. Computers in Industry， 2019， 107： 50-58. 10.1016/j.compind.2019.01.012
31	PARK C H， KIM H， LEE J， et al. A Feature Inherited Hierarchical Convolutional Neural Network （FI-HCNN） for motor fault severity estimation using stator current signals［J］. International Journal of Precision Engineering and Manufacturing-Green Technology， 2021， 8： 1253-1266. 10.1007/s40684-020-00279-3
32	PAN H， HE X， TANG S， et al. An improved bearing fault diagnosis method using one-dimensional CNN and LSTM［J］. Journal of Mechanical Engineering， 2018， 64（7-8）： 443-452. 10.5545/sv-jme.2018.5249
33	QIAN W， LI S， WANG J， et al. An intelligent fault diagnosis framework for raw vibration signals： adaptive overlapping convolutional neural network［J］. Measurement Science and Technology， 2018， 29（9）： 095009. 10.1088/1361-6501/aad101
34	CHEN Q， XIE Q， YUAN Q， et al. Research on a real-time monitoring method for the wear state of a tool based on a convolutional bidirectional LSTM model［J］. Symmetry， 2019， 11（10）： 1233. 10.3390/sym11101233
35	HASAN M J， ISLAM M M M， KIM J M. Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions［J］. Measurement， 2019， 138： 620-631. 10.1016/j.measurement.2019.02.075
36	CAO P， ZHANG S， TANG J. Preprocessing-free gear fault diagnosis using small datasets with deep convolutional neural network-based transfer learning［J］. IEEE Access， 2018， 6： 26241-26253. 10.1109/access.2018.2837621
37	WU Y， ZHAO R， JIN W， et al. Rolling bearing fault diagnosis using a deep convolutional autoencoding network and improved Gustafson⁃Kessel clustering［J］. Shock and Vibration， 2020， 2020： 8846589.1-8846589.17. 10.1155/2020/8846589
38	LI X， ZHANG W， DING Q， et al. Multi-layer domain adaptation method for rolling bearing fault diagnosis［J］. Signal Processing， 2019， 157： 180-197. 10.1016/j.sigpro.2018.12.005
39	YANG B， LEI Y， JIA F， et al. An intelligent fault diagnosis approach based on transfer learning from laboratory bearings to locomotive bearings［J］. Mechanical Systems and Signal Processing， 2019， 122： 692-706. 10.1016/j.ymssp.2018.12.051
40	WANG X， LIU F. Triplet loss guided adversarial domain adaptation for bearing fault diagnosis［J］. Sensors（Basel）， 2020， 20（1）： 320. 10.3390/s20010320
41	ZHONG S S， FU S， LIN L. A novel gas turbine fault diagnosis method based on transfer learning with CNN［J］. Measurement， 2019， 137： 435-453. 10.1016/j.measurement.2019.01.022
42	WEN L， GAO L， DONG Y， et al. A negative correlation ensemble transfer learning method for fault diagnosis based on convolutional neural network［J］. Mathematical Biosciences Engineering， 2019， 16（5）： 3311-3330. 10.3934/mbe.2019165
43	WANG B， LEI Y， LI N， et al. Deep separable convolutional network for remaining useful life prediction of machinery［J］. Mechanical Systems and Signal Processing， 2019， 134： 106330. 10.1016/j.ymssp.2019.106330
44	BABU G S， ZHAO P， LI X L. Deep convolutional neural network based regression approach for estimation of remaining useful life［C］// Proceedings of the 2016 International conference on Database Systems for Advanced Applications. Cham： Springer， 2016： 214-228. 10.1007/978-3-319-32025-0_14
45	AL-DULAIMI A， ZABIHI S， ASIF A， et al. A multimodal and hybrid deep neural network model for remaining useful life estimation［J］. Computers in Industry， 2019， 108： 186-196. 10.1016/j.compind.2019.02.004
46	LI X， DING Q， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks［J］. Reliability Engineering & System Safety， 2018， 172： 1-11. 10.1016/j.ress.2017.11.021
47	WEN L， DONG Y， GAO L. A new ensemble residual convolutional neural network for remaining useful life estimation［J］. Mathematical Biosciences Engineering， 2019， 16（2）： 862-880. 10.3934/mbe.2019040
48	LI X， ZHANG W， DING Q. Deep learning-based remaining useful life estimation of bearings using multi-scale feature extraction［J］. Reliability Engineering & System Safety， 2019， 182： 208-218. 10.1016/j.ress.2018.11.011
49	WANG Z， MA H， CHEN H， et al. Performance degradation assessment of rolling bearing based on convolutional neural network and deep long-short term memory network［J］. International Journal of Production Research， 2020， 58（13）： 3931-3943. 10.1080/00207543.2019.1636325
50	KONG Z， CUI Y， XIA Z， et al. Convolution and long short-term memory hybrid deep neural networks for remaining useful life prognostics［J］. Applied Sciences， 2019， 9（19）： 4156. 10.3390/app9194156
51	PALAZUELOS R T A， DROGUETT E L， PASCUAL R. A novel deep capsule neural network for remaining useful life estimation［J］. Proceedings of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2020， 234（1）： 151-167. 10.1177/1748006x19866546
52	MAO W， HE L， YAN Y， et al. Online sequential prediction of bearings imbalanced fault diagnosis by extreme learning machine［J］. Mechanical Systems and Signal Processing， 2017， 83： 450-473. 10.1016/j.ymssp.2016.06.024
53	BUDA M， MAKI A， MAZUROWSKI M A. A systematic study of the class imbalance problem in convolutional neural networks［J］. Neural Networks， 2018， 106： 249-259. 10.1016/j.neunet.2018.07.011
54	JIA F， LEI Y， LU N， et al. Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization［J］. Mechanical Systems and Signal Processing， 2018， 110： 349-367. 10.1016/j.ymssp.2018.03.025
55	JING L， WANG T， ZHAO M， et al. An adaptive multi-sensor data fusion method based on deep convolutional neural networks for fault diagnosis of planetary gearbox［J］. Sensors（Basel）， 2017， 17（2）： 414. 10.3390/s17020414
56	LIU Y， YAN X S， ZHANG C A， et al. An ensemble convolutional neural networks for bearing fault diagnosis using multi-sensor data［J］. Sensors， 2019， 19（23）： 5300. 10.3390/s19235300
57	ZHENG J， PAN H， CHENG J. Rolling bearing fault detection and diagnosis based on composite multiscale fuzzy entropy and ensemble support vector machines［J］. Mechanical Systems and Signal Processing， 2017， 85： 746-759. 10.1016/j.ymssp.2016.09.010

诊断模型	数据来源	CNN结构	故障类别数	准确率/%
基于DCNN的诊断模型^［16］	行星齿轮箱试验台	C1-C2-P3-C4-P5-C6-P7-C8-P9-C10-P11-F12	9	90.00
层次式自适应DCNN^［17］	凯斯西储大学数据集	C1-P2-C3-P4-C5-P6-F7-F8	10	97.90
基于CNN和SVM的混合技术^［18］	实验平台获得的机车轴承数据	C1-P2-C3-P4-C5-P6-F7-F8	4	99.67
基于CNN和SVM的混合技术^［18］	实验平台获得的汽车变速器变速箱数据	C1-P2-C3-P4-C5-P6-F7-F8	4	100.00
多源原始振动信号的CNN^［19］	大庆天然气公司南段1号机组的往复式压缩机振动实验数据	C1-P2-C3-P4-C5-P6-C7-C8-P9-C10-P11- F12-F13-F14	4	90.20
瓶颈层优化CNN^［20］	风力发电试验台	B1-P2-C3-P4-C5-P6-C7-P8-C9-F10 B（瓶颈层）	6	99.47
瓶颈层优化CNN^［20］	离心泵试验台	B1-P2-C3-P4-C5-P6-C7-P8-C9-F10 B（瓶颈层）	4	99.32
DCNN的视觉缺陷检测方法^［21］	工业光学检查的弱监督学习示例的数据集	C1-C2-P3-C4-C5-C6-P7-C8-C9-F10-F11-F12	12	97.19
基于CNN的两阶段AFRS^［22］	货运列车运行故障检测系统	C1-P2-C3-P4-C5-C6-C7-F8-F9	4	97.50
基于CNN的两阶段AFRS^［22］	货运列车运行故障检测系统	C1-C2-P3-C4-P5-C6-P7-C8-P9-F10-F11	4	97.50
基于CNN的滚动轴承诊断模型^［23］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-F5	4	97.74
免疫自适应DCNN^［24］	凯斯西储大学轴承数据集	C1-P2-C3-P4-C5-P6-C7-F8	4	99.00
基于二维CNN的状态监测特征学习模型^［25］	测试设置的轴承数据集	C1-F2	4	93.61
基于DCNN和RF集成学习^［26］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-F5	10	99.73
基于DCNN和RF集成学习^［26］	BaoSteel MRO管理系统轴承数据	C1-P2-C3-P4-F5	4	97.38

诊断模型	数据来源	CNN结构	故障类别数	准确率/%
基于DCNN的诊断模型^［16］	行星齿轮箱试验台	C1-C2-P3-C4-P5-C6-P7-C8-P9-C10-P11-F12	9	90.00
层次式自适应DCNN^［17］	凯斯西储大学数据集	C1-P2-C3-P4-C5-P6-F7-F8	10	97.90
基于CNN和SVM的混合技术^［18］	实验平台获得的机车轴承数据	C1-P2-C3-P4-C5-P6-F7-F8	4	99.67
基于CNN和SVM的混合技术^［18］	实验平台获得的汽车变速器变速箱数据	C1-P2-C3-P4-C5-P6-F7-F8	4	100.00
多源原始振动信号的CNN^［19］	大庆天然气公司南段1号机组的往复式压缩机振动实验数据	C1-P2-C3-P4-C5-P6-C7-C8-P9-C10-P11- F12-F13-F14	4	90.20
瓶颈层优化CNN^［20］	风力发电试验台	B1-P2-C3-P4-C5-P6-C7-P8-C9-F10 B（瓶颈层）	6	99.47
瓶颈层优化CNN^［20］	离心泵试验台	B1-P2-C3-P4-C5-P6-C7-P8-C9-F10 B（瓶颈层）	4	99.32
DCNN的视觉缺陷检测方法^［21］	工业光学检查的弱监督学习示例的数据集	C1-C2-P3-C4-C5-C6-P7-C8-C9-F10-F11-F12	12	97.19
基于CNN的两阶段AFRS^［22］	货运列车运行故障检测系统	C1-P2-C3-P4-C5-C6-C7-F8-F9	4	97.50
基于CNN的两阶段AFRS^［22］	货运列车运行故障检测系统	C1-C2-P3-C4-P5-C6-P7-C8-P9-F10-F11	4	97.50
基于CNN的滚动轴承诊断模型^［23］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-F5	4	97.74
免疫自适应DCNN^［24］	凯斯西储大学轴承数据集	C1-P2-C3-P4-C5-P6-C7-F8	4	99.00
基于二维CNN的状态监测特征学习模型^［25］	测试设置的轴承数据集	C1-F2	4	93.61
基于DCNN和RF集成学习^［26］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-F5	10	99.73
基于DCNN和RF集成学习^［26］	BaoSteel MRO管理系统轴承数据	C1-P2-C3-P4-F5	4	97.38

诊断模型	数据来源	CNN结构	故障类别数	准确率/%
基于CNN的故障诊断模型^［27］	PHM 2009齿轮箱挑战数据	C1-P2-F3	6	99.33
基于CNN的故障诊断模型^［27］	行星齿轮箱试验台	C1-P2-F3	7	98.67
紧凑自适应一维CNN^［28］	智能维护系统轴承数据集	C1-C2-C3-M4-M5M（MLP层）	4	93.90
紧凑自适应一维CNN^［28］	凯斯西储大学轴承数据中心	C1-C2-C3-M4-M5M（MLP层）	6	93.20
改进的多尺度级联CNN^［29］	凯斯西储大学轴承数据中心	MC1-C2-P3-C4-P5-C6-P7-F8MC （多尺度层）	4	97.00
改进的多尺度级联CNN^［29］	苏州大学轴承故障模拟试验台	MC1-C2-P3-C4-P5-C6-P7-F8MC （多尺度层）	6	83.20
具有扩大感受野的增强CNN^［30］	Drivetrain Diagnostics Simulator（DDS）试验台	C1-FC2-P3-FC4-P5-F6FC （融合扩张卷积层）	8	97.73
特征继承层次CNN^［31］	160 kW两极感应电动机的数据集	C1-P2-C3-P4-C5-P6-F7	4	99.70
特征继承层次CNN^［31］	160 kW两极感应电动机的数据集	C1-P2-C3-P4-F5	4	60.00
基于CNN和LSTM^［32］	凯斯西储大学轴承数据中心	C1-P2-F3	10	99.00
自适应重叠CNN^［33］	凯斯西储大学轴承数据中心	C1-P2-F3	10	99.64
自适应重叠CNN^［33］	专门设计的实验台上收集的齿轮箱实验数据集	C1-P2-F3	6	99.86
基于CNN和带有注意机制的双向LSTM网络^［34］	刀具磨损状态的实时监控实验装置	C1-C2-P3-B4-F5-F6B （双向长短期记忆层）	4	96.97

诊断模型	数据来源	CNN结构	故障类别数	准确率/%
基于CNN的故障诊断模型^［27］	PHM 2009齿轮箱挑战数据	C1-P2-F3	6	99.33
基于CNN的故障诊断模型^［27］	行星齿轮箱试验台	C1-P2-F3	7	98.67
紧凑自适应一维CNN^［28］	智能维护系统轴承数据集	C1-C2-C3-M4-M5M（MLP层）	4	93.90
紧凑自适应一维CNN^［28］	凯斯西储大学轴承数据中心	C1-C2-C3-M4-M5M（MLP层）	6	93.20
改进的多尺度级联CNN^［29］	凯斯西储大学轴承数据中心	MC1-C2-P3-C4-P5-C6-P7-F8MC （多尺度层）	4	97.00
改进的多尺度级联CNN^［29］	苏州大学轴承故障模拟试验台	MC1-C2-P3-C4-P5-C6-P7-F8MC （多尺度层）	6	83.20
具有扩大感受野的增强CNN^［30］	Drivetrain Diagnostics Simulator（DDS）试验台	C1-FC2-P3-FC4-P5-F6FC （融合扩张卷积层）	8	97.73
特征继承层次CNN^［31］	160 kW两极感应电动机的数据集	C1-P2-C3-P4-C5-P6-F7	4	99.70
特征继承层次CNN^［31］	160 kW两极感应电动机的数据集	C1-P2-C3-P4-F5	4	60.00
基于CNN和LSTM^［32］	凯斯西储大学轴承数据中心	C1-P2-F3	10	99.00
自适应重叠CNN^［33］	凯斯西储大学轴承数据中心	C1-P2-F3	10	99.64
自适应重叠CNN^［33］	专门设计的实验台上收集的齿轮箱实验数据集	C1-P2-F3	6	99.86
基于CNN和带有注意机制的双向LSTM网络^［34］	刀具磨损状态的实时监控实验装置	C1-C2-P3-B4-F5-F6B （双向长短期记忆层）	4	96.97

诊断模型	数据来源	CNN结构	故障类别数	准确率/%
基于前训练CNN的参数转移学习方法^［35］	自行设计的测试台	C1-P2-C3-P4-F5-F6	12	94.67
基于DCNN的TL方法^［36］	具有可更换齿轮的基准两级变速箱	C1-P2-C3-P4-C5-P6-C7-P8-C9- P10-F11-F12-F13	9	94.90
基于聚类分析的故障诊断方法^［37］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-C5-P6-C7-P8-C9- P10-F11	10	96.00
基于聚类分析的故障诊断方法^［37］	实验室模拟的轴承故障数据集	C1-P2-C3-P4-C5-P6-C7-P8-C9- P10-F11	5	97.50
基于多层域自适应的轴承故障诊断方法^［38］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-C5-P6-C7-P8-F9	4	99.76
基于特征的转移神经网络^［39］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-F5-F6-F7	4	74.81
	实验台收集实验室齿轮箱轴承的数据集		4
	机车轴承数据集		4
三重损失引导的对抗域适配方法^［40］	凯斯西储大学轴承数据中心	C1-P2-C3-P4-C5-P6-C7-P8-F9-F10	10	98.48
三重损失引导的对抗域适配方法^［40］	Paderborn数据集	C1-P2-C3-P4-C5-P6-C7-P8-F9-F10	8	99.46
基于CNN和SVM的TL 方法^［41］	Original Engine ManufactWurer（OEM）提供的维护报告和样本车队的Customer Notification Report（CNR）	C1-C2-P3-F4-F5-F6	4	93.44
负相关集成TL方法^［42］	Paderborn University 提供的轴承数据集	ResNet-50	3	98.73

基于卷积神经网络的机械故障诊断技术综述

Review of mechanical fault diagnosis technology based on convolutional neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 57

相关文章 15

编辑推荐

Metrics

诊断模型	数据来源	CNN结构	均方根误差
深度可分离卷积网络^［43］	C-MAPSS数据集	C1-P2-B3-P4-F5（B Block层）	6.670
多变量时间序列构造二维数据矩阵训练CNN^［44］	PHM 2008数据挑战数据集	C1-P2-C3-P4-F5	18.448
混合深度网络框架^［45］	C-MAPSS数据集	C1-P2-C3-P4-C5-F6	12.220
基于DCNN的特征提取^［46］	C-MAPSS数据集	C1-C2-C3-C4-C5-F6-F7	12.610
深度残差CNN^［47］	C-MAPSS数据集	C1-R2-R3-F4-F5 （R RBB块）	12.380
DCNN^［48］	PRONOSTIA平台	P1-C2-C3-C4-C5	16.200
基于CNN和和LSTM的混合深度预测模型^［49-50］	辛辛那提大学智能维护系统	C1-F2-D3-F4（D DLSTM层）	2.340
基于CNN和和LSTM的混合深度预测模型^［49-50］	C-MAPSS涡轮机数据集	C1-P2-L3-F4（L LSTM）	16.127
胶囊神经网络^［51］	C-MAPSS涡轮机数据集	C1-C2-M3-M4 M（多层感知器层）	16.300

[1]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[2]	李云, 王富铕, 井佩光, 王粟, 肖澳. 基于不确定度感知的帧关联短视频事件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2903-2910.
[3]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[4]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[5]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[6]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[7]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[8]	肖海林, 黄天义, 代秋香, 张跃军, 张中山. 基于轨迹预测的安全强化学习自动变道决策方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2958-2963.
[9]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[10]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[11]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[12]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[13]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[14]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[15]	张春雪, 仇丽青, 孙承爱, 荆彩霞. 基于两阶段动态兴趣识别的购买行为预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2365-2371.