由于航空发动机工作环境复杂,故障数据稀缺,且单一传感器难以全面表征中介轴承状态,导致现有诊断方法准确率较低。为此,提出了一种基于多传感器信息融合(multi-sensor information fusion,MSIF)和二维卷积神经网络(2-dimensional convol...由于航空发动机工作环境复杂,故障数据稀缺,且单一传感器难以全面表征中介轴承状态,导致现有诊断方法准确率较低。为此,提出了一种基于多传感器信息融合(multi-sensor information fusion,MSIF)和二维卷积神经网络(2-dimensional convolutional neural network,2DCNN)的航空发动机中介轴承故障诊断方法。该方法将多个传感器的时域和频域特征融合为一张RGB图像,从而更加全面地表征中介轴承状态。然后,将生成的RGB图像输入2DCNN模型完成故障诊断。在真实航空发动机试验台的轴承故障数据上的测试中,当训练集与测试集比例为1∶9的小样本条件时,部分传感器组合的诊断准确率即可达99%;比例为7∶3时所有传感器组合的准确率均达100%。此外,所提方法的诊断准确率与基础研究相比,至少提高了13%;且超越了进行对比的5种先进方法。结果表明,该方法不仅实现了航空发动机中介轴承故障的快速精准识别,还在小样本条件下展现出了卓越的诊断性能。展开更多
基金Supported by National Natural Science Foundation of China （60874063） and Innovation and Scientific Research Foundation of Graduate Student of Heilongjiang Province （YJSCX2012-263HLJ）
