基于改进AlexNet的滚动轴承变工况故障诊断研究

发布时间：2020-10-11 16:01

　　 滚动轴承作为旋转机械中的关键部件,其健康状态关系着整个机械设备的稳定运行。实时监测滚动轴承的运行状态,并及时发现故障出现的位置以及故障严重程度,能够有效确保人机安全和减少经济损失。但在滚动轴承实际工作中,常伴随着不同噪声干扰、不同工作负荷的情况,而传统的特征提取和模式识别相结合的故障诊断方法,很难自适应地解决复杂易变工况下的滚动轴承故障诊断问题。本文在总结归纳前人研究工作的基础上,针对上述问题,基于AlexNet研究了滚动轴承变工况故障诊断的方法:(1)针对旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利特征的问题,提出一种基于改进AlexNet的滚动轴承变负荷故障诊断方法。首先,将采集的一维的时域信号按横向插样构建便于改进AlexNet输入的二维特征图;其次,经过改进AlexNet的卷积和次采样等操作从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过反映不同工况下的12种滚动轴承故障状态的振动信号来验证该方法的有效性。(2)现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断,对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进AlexNet的滚动轴承故障诊断方法。该方法首先将AlexNet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;然后以小批量样本softmax的交叉熵为损失函数,且按Adam迭代优化法小样本、少迭代次数训练改进AlexNet后的变负荷样本诊断精度为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进AlexNet的结构等相关参数;最后根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进AlexNet,实现复杂工况下滚动轴承多状态故障诊断。通过反映不同工况下的16种滚动轴承故障状态的振动信号来验证该方法的有效性。(3)滚动轴承工况复杂多变,但基于传统机器学习的智能故障诊断方法对滚动轴承的工况和样本依赖性强,严重影响滚动轴承智能故障诊断方法的泛化性能,对此,提出一种基于改进AlexNet特征迁移的滚动轴承变工况故障诊断方法。首先,利用某种负荷下的滚动轴承故障样本预训练改进AlexNet的故障诊断模型,并在训练完成后保存网络前几层的权值;然后根据保存的权值参数分别提取训练样本和不同负荷的测试样本的特征,并用最大均值差异(Maximum Mean Difference,MMD)度量两类样本特征的距离;最后以最大均值差异与训练样本的softmax损失函数的加权和为目标函数,自适应地调整滚动轴承变工况故障诊断模型以提高变负荷故障诊断精度。通过反映不同工况下的16种滚动轴承故障状态的振动信号来验证该方法的有效性。(4)针对滚动轴承变工况故障诊断过程中,过强的噪声和有限的带标签样本将给滚动轴承变工况故障诊断带来极大困难的问题,提出一种基于稀疏去噪和改进AlexNet特征迁移的滚动轴承变工况故障诊断方法。首先,利用某种负荷下反映滚动轴承故障状态的样本完成改进AlexNet的训练过程,并保存前五层权值参数;其次,依据训练样本设计初始化过完备字典库,通过K-奇异值分解(K-Singular Value Decomposition,K-SVD)方法自适应地选择更新过完备字典,并通过正交匹配追踪(Orthogonal Matching Pursuit,OMP)重构信号达到去噪目的;最后,以训练样本的softmax交叉熵值与训练样本特征和测试样本特征MMD的加权和为损失函数在线调整改进AlexNet后三层的权值,以完成滚动轴承变工况的故障诊断。通过反映不同工况下的16种滚动轴承故障状态的振动信号验证该方法的有效性。
【学位单位】：兰州理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.33
【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 滚动轴承故障诊断的研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 滚动轴承故障诊断方法概述
        1.3.1 基于传统方法的滚动轴承故障诊断
        1.3.2 基于深度学习的滚动轴承故障诊断
    1.4 卷积神经网络
    1.5 本文研究内容及组织结构
第2章 基于改进AlexNet的滚动轴承故障诊断
    2.1 引言
    2.2 AlexNet模型
        2.2.1 AlexNet模型结构
        2.2.2 softmax分类器
    2.3 基于改进AlexNet的滚动轴承故障诊断
        2.3.1 输入拓扑结构
        2.3.2 改进AlexNet
        2.3.3 基于Adam的权值参数优化
        2.3.4 方法步骤
    2.4 实验与分析
        2.4.1 实验数据集
        2.4.2 模型结构参数选取
        2.4.3 复杂工况下滚动轴承故障诊断性能分析
    2.5 本章小结
第3章 基于PSO-BFA和改进AlexNet的滚动轴承故障诊断
    3.1 引言
    3.2 细菌觅食算法
    3.3 基于PSO-BFA和改进AlexNet的滚动轴承故障诊断
        3.3.1 适应度函数
        3.3.2 基于PSO-BFA的改进AlexNet相关参数寻优
        3.3.3 方法步骤
    3.4 实验与分析
        3.4.1 实验数据
        3.4.2 参数寻优
        3.4.3 复杂工况下滚动轴承故障诊断性能分析
    3.5 本章小结
第4章 基于改进AlexNet特征迁移的滚动轴承故障诊断
    4.1 引言
    4.2 迁移学习
    4.3 基于改进AlexNet特征迁移的滚动轴承故障诊断
        4.3.1 迁移成分分析
        4.3.2 改进AlexNet特征迁移
        4.3.3 方法步骤
    4.4 实验与分析
        4.4.1 实验数据
        4.4.2 模型结构参数
        4.4.3 复杂工况下滚动轴承故障诊断性能分析
    4.5 本章小结
第5章 基于稀疏去噪和改进AlexNet特征迁移的滚动轴承故障诊断
    5.1 引言
    5.2 信号稀疏表示
    5.3 基于稀疏去噪和改进AlexNet特征迁移的滚动轴承故障诊断
        5.3.1 过完备字典构造
        5.3.2 滚动轴承含噪振动信号的稀疏去噪
        5.3.3 方法步骤
    5.4 实验分析
        5.4.1 实验数据及模型参数
        5.4.2 复杂工况下滚动轴承故障诊断性能分析
    5.5 本章小结
总结与展望
    总结
    展望
参考文献
致谢
附录 攻读硕士学位期间所发表的学术论文

【相似文献】

相关期刊论文 前10条

1 吕鸿蒙;赵地;迟学斌;;基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J];计算机科学;2017年S1期

2 吕军;夏华鹍;方梦瑞;周礼赞;;基于AlexNet的茶叶嫩芽状态智能识别研究[J];黑龙江八一农垦大学学报;2019年02期

3 苗开超;王传辉;张亚力;周建平;刘承晓;姚叶青;;基于AlexNet算法的道路能见度估测方法[J];计算机与现代化;2019年06期

4 余琼芳;黄高路;杨艺;孙岩洲;;基于AlexNet深度学习网络的串联故障电弧检测方法[J];电子测量与仪器学报;2019年03期

5 余宸希;;基于Alexnet神经网络的物体识别研究[J];电子制作;2019年12期

6 潘卫军;段英捷;张强;吴郑源;刘皓晨;;基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究[J];光电工程;2019年07期

7 苏思悦;付莹;来林静;;结合单目标多窗口检测器和AlexNet的螺母检测[J];中国科技论文;2018年04期

8 陈东敏;姚剑敏;;基于优化的并行AlexNet人脸特征点检测算法[J];信息技术与网络安全;2018年04期

9 段友祥;李钰;孙歧峰;徐冬胜;;改进的Alexnet模型及在油井示功图分类中的应用[J];计算机应用与软件;2018年07期

10 李宁;王雨萱;徐守坤;石林;;基于AlexNet的小样本水面漂浮物识别[J];计算机应用与软件;2019年02期

相关硕士学位论文 前5条

1 张青青;基于改进AlexNet的滚动轴承变工况故障诊断研究[D];兰州理工大学;2019年

2 纪宇;基于AlexNet模型的高速公路拥堵状态识别[D];长安大学;2018年

3 张俊;基于AlexNet融合特征的图像检索研究[D];重庆邮电大学;2016年

4 李慧慧;基于深度卷积神经网络的雾霾环境下车型识别算法研究[D];中北大学;2017年

5 刘峥强;深度学习算法在车牌识别系统中的应用[D];电子科技大学;2016年

本文编号：2836810