自适应卷积神经网络在旋转机械故障诊断中的应用

发布时间：2021-04-09 09:53

　　针对基于机器学习模型的故障诊断存在依赖人工特征提取质量、维数灾难问题和卷积神经网络（CNN）模型构建缺乏自适应性等问题,提出了一种基于粒子群优化（PSO）算法的自适应CNN故障诊断方法,并将其应用于旋转机械故障诊断。将一维时域信号变成二维时频图像;使用PSO算法对CNN模型中的7个关键参数进行优化选取,以构建深度学习模型;将二维时频图像输入优化后的深度学习模型,对旋转机械故障进行诊断。结果表明,所提方法具有较高的准确率、稳定性和自适应性。 

【文章来源】：振动与冲击. 2020,39(16)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

滚动轴承故障模拟试验台

卷积神经网络经典架构

HHT-PSO-CNN方法的流程图

【参考文献】：
期刊论文
[1]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法[J]. 金棋,王友仁,王俊.  中国机械工程. 2019(02)
[2]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬.  振动与冲击. 2018(19)
[3]一种基于自适应神经网络的航空发动机故障诊断方法[J]. 艾剑良,杨曦中.  中国科学:技术科学. 2018(03)
[4]基于变分模态分解和SVM的滚动轴承故障诊断[J]. 王新,闫文源.  振动与冲击. 2017(18)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]基于卷积神经网络的连续语音识别[J]. 张晴晴,刘勇,潘接林,颜永红.  工程科学学报. 2015(09)
[7]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)
[8]基于LMD样本熵与SVM的往复压缩机故障诊断方法[J]. 邹龙庆,陈桂娟,邢俊杰,姜楚豪.  噪声与振动控制. 2014(06)
[9]基于时间-小波能量谱熵的滚动轴承故障诊断研究[J]. 唐贵基,邓飞跃,何玉灵,王晓龙.  振动与冲击. 2014(07)

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：3127413