来源：期刊VIP网 时间：
作者：张豪;刘其洪;李伟光;李漾;
单位：华南理工大学;佛山衡生医疗自动化有限公司;
摘要：针对深度学习技术在滚动轴承故障诊断识别中依赖于大量测量数据，相对较少的数据可能会导致过度拟合并降低模型的稳定性等问题，提出一种一维卷积神经网络(1DCNN)和随机森林(RF)相结合的轴承故障诊断模型。将原始时域信号输入搭建的1DCNN网络中，提取原始数据特征向量，对特征向量进行t-SNE降维可视化，验证1DCNN特征提取的有效性。将特征向量输入随机森林实现故障状态识别，解决小样本的滚动轴承故障分类问题。在CWRU数据集和Paderborn数据集上进行实验，针对不同类型、不同损伤程度的轴承，得到分类结果准确率分别达到99.69%和99.16%。与传统的神经网络和机器学习分类模型相比，1DCNN-RF模型具有更高的诊断准确率，可验证所提模型的泛化性和有效性。
关键词：滚动轴承;故障诊断;一维卷积神经网络;随机森林
基金资助：广东省重点领域研发计划(2019B090918003); 国家自然科学基金项目(51875216); 广东省自然科学基金项目(2017A050501004); 广东省自然资源厅项目(2020030)
