王瑞涵 陈辉 管聪

摘要： 提出了一种深度学习网络即结构?随机卷积神经网络，用于实现内燃机的智能健康监测。集成多个单一的卷积神经网络构成新的网络构架，通过卷积计算和池化操作对振动信号进行自动特征提取。在随机卷积神经网络结构中，应用Adabound优化器使学习率自适应变化，从而加快模型的权值更新。同时通过Dropout技术使结构中神经元随机失活，防止对训练数据进行复杂的协同响应，通过Dempster合成规则融合各个网络模型的诊断结果。所提出的健康监测方案用于对内燃机工作时的振动信号进行分析。实验证明，该方法克服了传统的数据驱动和卷积神经网络健康监测方法的局限性，摆脱了对人工特征设计的依赖，并且有较好的诊断性能，能够有效地对内燃机进行健康监测。

关键词： 健康监测; 内燃机; 卷积神经网络; 集成学习

1  概  述

内燃机作为一种重要的动力机械，广泛应用于各个领域，对其系统健康状况的监测不仅能够保证设备平稳高效的运行，而且能够及时发现出现的故障状况，有效防止重大事故的发生[1]。基于振动信号的分析是对内燃机健康状态监测的重要途径。这是由于振动信号采集方便，并且采集的振动信号包含了往复运动、旋转运动、机械冲击和气体的高速流动等丰富的信息。但是，内燃机系统的振动激励源多，其振动信号具有强耦合、弱故障特征的特点[2]，因此如何准确地提取振动信号中的有效特征是健康监测中的难点所在。……