关键词：故障诊断 卷积神经网络 电流信号 深度学习 

摘要：电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。

仪器仪表学报杂志要求:

{1}注释：将注释按正文中出现的先后顺序排列编号，用数字加圆圈标注，并集中排列在正文后。

{2}来稿以未在国内外正式发表为限。

{3}正文的层次标题应简短明了，以15字为限，不用标点符号，其层次的划分及编号一律使用阿拉伯数字分级编号法。

{4}“题目”应明晰（必要时可加副标题），并附有200字左右以内的“摘要”和3-5个“关键词”。

{5}稿件研究内容如获得课题或基金资助，请注明其名称及项目号。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社