基于CNN图像分类的轴承多状态识别

发布时间：2021-04-18 09:32

　　传统的基于数据驱动的轴承故障诊断方法通常需要了解一定的信号处理技术,人工构造算法提取并选择特征,然后利用分类器（常用的有支持向量机以及人工神经网络等）进行分类识别。然而,对于模式不明且多变、多故障信息耦合的机械大数据,人为设计涵盖所有信息的故障特征较为困难;此外,针对某一个特定问题提取和选择的特征可能并不适用于其它的问题。因此,非常有必要由模型自适应地提取特征而不是由人工提取和选择特征。机械故障越发表现为不确定性、并发性和耦合性,而在传统方法中所采用的浅层模型的自学习能力差、特征提取与模型建立孤立地进行,导致其故障识别精度低、泛化能力弱;诊断模型由“浅”入“深”势在必行。针对以上的两个问题,结合近年来卷积神经网络在图像模式识别领域中的广泛与成功应用,本文提出了两种基于卷积神经网络图像分类的轴承多状态识别方法。本文中所采用的两种基于卷积神经网络图像分类的轴承多状态识别方法能够自动地从轴承时频图中提取特征,然后对其进行分类识别;从而避免了传统的基于数据驱动的轴承故障诊断方法中人工构造算法提取并选择特征的问题,降低了对人工的依赖,提高了故障诊断过程的智能化水平。在本文所采用的两种方法中,在模... 

【文章来源】：中北大学山西省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

基于原采集信号与深度学习模型的机械故障诊断方法流程图

图 1.3 基于 CNN 图像分类的机械故障诊断方法流程图图 1.1 所示的传统的基于数据驱动的机械故障诊断方法中通常需要了知识，人工构造算法从信号中提取并选择特征，然后利用分类器（常以及人工神经网络等）进行分类识别。然而，对于模式不明且多变、机械大数据，人为设计涵盖所有信息的故障特征较为困难[9]；此外，题提取和选择的特征可能并不适用于其它的问题[10]。因此，非常有必提取特征而不是由人工提取和选择特征。机械故障越发表现为不确定性，而在传统方法中所采用的浅层模型的自学习能力差、特征提取与行，导致其故障识别精度低、泛化能力弱；诊断模型由“浅”入“深年来，深度学习在特征提取与模式识别等领域表现出了巨大的潜力与学者开始将深度学习应用到机械故障诊断中[11]。图 1.2 所示的基于原采集信号与深度学习模型的机械故障诊断方法中

仿真信号的时域波形

【参考文献】：
期刊论文
[1]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜.  机械工程学报. 2019(07)
[2]基于变分模态分解与流形学习的滚动轴承故障特征提取方法[J]. 戚晓利,叶绪丹,蔡江林,郑近德,潘紫微,张兴权.  振动与冲击. 2018(23)
[3]基于一维卷积神经网络的齿轮箱故障诊断[J]. 吴春志,江鹏程,冯辅周,陈汤,陈祥龙.  振动与冲击. 2018(22)
[4]基于广义复合多尺度排列熵与PCA的滚动轴承故障诊断方法[J]. 郑近德,刘涛,孟瑞,刘庆运.  振动与冲击. 2018(20)
[5]基于深度卷积变分自编码网络的故障诊断方法[J]. 佘博,田福庆,梁伟阁.  仪器仪表学报. 2018(10)
[6]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)
[7]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君.  振动工程学报. 2018(05)
[8]基于GA-PSO优化BP神经网络的压缩机气阀故障诊断[J]. 邵继业,谢昭灵,杨瑞.  电子科技大学学报. 2018(05)
[9]基于RSGWPT-LCD的轴承信号故障特征提取及模式识别[J]. 王保华,佟庆彬,胡海,曹君慈,韩宝珠,卢艳霞,张卫东,朱颖.  振动.测试与诊断. 2018(04)
[10]基于特征迁移学习的变工况下滚动轴承故障诊断方法[J]. 康守强,胡明武,王玉静,谢金宝,V.I.Mikulovich.  中国电机工程学报. 2019(03)



本文编号：3145246