来源：期刊VIP网 时间：
作者：吴英祥;杜少辉;赵紫豪;尉询楷;陈智超;陈果;
单位：中国航发沈阳发动机研究所;南京航空航天大学民航学院;北京航空工程技术研究中心;南京航空航天大学通用航空与飞行学院;
摘要：针对当前基于机器学习的滚动轴承损伤尺寸识别精度低的问题，提出了一种基于深度残差网络的滚动轴承故障损伤尺寸识别方法。该方法以残差网络为深层特征提取主框架，建立能够将预处理后的振动样本数据映射至相应的损伤尺寸的网络模型。数据预处理时采用傅里叶变换，获得原始振动加速度时域信号的频谱图作为网络的输入；在滚动轴承加速疲劳试验机和航空发动机转子试验器等两种类型的试验器上，通过不同的损伤尺寸试验，对所提出的损伤尺寸识别方法进行了验证，并和多种方法进行了对比。结果表明：在0.3 mm的预测误差范围内，所搭建的网络模型对未参与训练的故障损伤尺寸的识别精度，内圈为91.2%，外圈为97.9%。同时，在对数据进行加噪处理后，损伤尺寸的预测误差依然能够达到0.3 mm以内的识别精度。结果充分表明该方法具有很强的故障损伤尺寸识别能力。
关键词：深度学习;;残差网络;;傅里叶变换;;滚动轴承;;损伤尺寸识别
基金资助：国家自然科学基金项目（52272436）;; 国家科技重大专项（J2019-IV-0004-0071）;; 中国航发沈阳发动机研究所项目
