滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

发布时间：2021-01-18 16:35

　　针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则（BPDICNN）;再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。 

【文章来源】：振动工程学报. 2020,33(04)北大核心

【文章页数】：7 页

【部分图文】：

第1层卷积核

不同卷积核的收敛速度

按照BPDICNN设计了如图1所示的CNN结构。输入层的尺寸为1×4096；在图像识别领域大多采用尺寸为3×3或者5×5的卷积核，该层相当于获取9或25像素的感受野，为了更好地提取原始信号的特征，此处模型第1层卷积层的大卷积核尺寸设计为1×32，同时使用步长为1×4，让卷积层在提取特征的同时适当缩小尺寸，加速网络学习训练过程；第2层池化层尺寸为1×10，移动步长为1×4，交叉采样可以使得模型表达的特征更加丰富；第3层卷积层的卷积核尺寸为1×5，步长为1×3；第4层池化层尺寸为1×10，步长为1×4；第5层卷积层的卷积核尺寸为1×5，步长为1×3；第6层为全连接层有120节点；经过第7层Softmax层后完成30个故障状态分类。模型结构参数如表1所示。在卷积层中，上一层的特征映射与当前层的卷积核进行卷积，卷积运算的结果经过激活函数后形成这一层的特征映射，卷积层的输出

【参考文献】：
期刊论文
[1]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[2]基于小波时频图和CNN的滚动轴承智能故障诊断方法[J]. 袁建虎,韩涛,唐建,安立周.  机械设计与研究. 2017(02)
[3]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京.  机械工程学报. 2015(21)

硕士论文
[1]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017



本文编号：2985275