基于卷积神经网络的故障诊断模型振动信号处理方法比较

发布时间：2021-05-17 22:16

　　针对利用卷积神经网络（convolutional neural networks, CNN）对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。 

【文章来源】：中国科技论文. 2020,15(07)北大核心

【文章页数】：6 页

【文章目录】：
1 CNN
    1.1 理论基础
    1.2 AlexNet
        1) 首次使用ReLU激活函数
        2) 首次使用Dropout和LRN方法
2 信号处理
    2.1 实验目的
    2.2 数据集的准备
        2.2.1 FFT
        2.2.2 STFT
        2.2.3 WT
3 故障诊断模型
    3.1 实验环境
    3.2 模型结构及参数
    3.3 超参数设计
4 对比实验
5 结 论


【参考文献】：
期刊论文
[1]基于深度卷积神经网络的未知复合故障诊断[J]. 张应军,江永全,杨燕,张卫华,陈锦雄.  中国科技论文. 2019(02)
[2]旋转机械一维深度卷积神经网络故障诊断研究[J]. 周奇才,刘星辰,赵炯,沈鹤鸿,熊肖磊.  振动与冲击. 2018(23)
[3]基于多域融合CNN的高速列车转向架故障检测[J]. 吴昀璞,金炜东,黄颖坤.  系统仿真学报. 2018(11)
[4]基于RS-LSTM的滚动轴承故障识别[J]. 陈伟,陈锦雄,江永全,宋冬利,张闻东.  中国科技论文. 2018(10)
[5]深度学习在故障诊断领域中的研究现状与挑战[J]. 任浩,屈剑锋,柴毅,唐秋,叶欣.  控制与决策. 2017(08)
[6]基于时频分析与人工神经网络的轴承诊断研究[J]. 孙志诚,沈长青,王富东,杨云贵.  机电一体化. 2017(04)
[7]基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法[J]. 张建付,宋雨,李刚,王传洋,焦亚菲.  计算机测量与控制. 2017(01)
[8]基于小波分形和神经网络的滚动轴承故障诊断[J]. 张俊,万里冰.  组合机床与自动化加工技术. 2009(09)



本文编号：3192550