基于MSCNN与STFT的滚动轴承故障诊断研究

发布时间：2021-07-09 09:52

　　针对现有基于CNN（Convolution Neural Network）的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN（MultiScale Convolution Neural Network）结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学（CWRU）数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。 

【文章来源】：机械传动. 2020,44(07)北大核心

【文章页数】：6 页

【部分图文】：

ReLU激活函数的图像

卷积神经网络是多级神经网络，通过改变相邻两层神经元之间的连接方式，引入权值共享设定，达到降低网络权值的个数，进一步扩展网络结构的目的。常用基本单元有卷积层、池化层和全连接层[9]。卷积神经网络结构如图1所示。1.2 组成单元

在网络中新增上采样层，使池化后和池化前两种尺度的特征可以进行融合，从而能够同时保留整体和局部特征。多尺度网络结构基本构成单元如图3所示。输入数据在网络中分为两个分支：一个为池化之后低分辨率分支；另一个是池化之前高分辨率的分支。两个分支各自经过卷积层处理，将分辨率低的结果进行上采样，然后将上采样的结果与高分辨率分支的结果相加，最后两个分支相加的结果在经过卷积层处理后作为网络单元输出。

【参考文献】：
期刊论文
[1]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)
[2]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)
[3]多尺度模糊熵及其在滚动轴承故障诊断中的应用[J]. 郑近德,陈敏均,程军圣,杨宇.  振动工程学报. 2014(01)
[4]滚动轴承故障信号的多尺度形态学分析[J]. 郝如江,卢文秀,褚福磊.  机械工程学报. 2008(11)



本文编号：3273523