基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究
发布时间：2021-08-06 02:37
针对传统滚动轴承故障诊断的方法需要人为构造算法提取并选择故障特征,孤立地对待特征提取和特征选择,提出了应用卷积神经网络（Convolutional Neural Networks, CNN）和灰狼优化算法（Grey Wolf Optimizer,GWO）的支持向量机（Support Vector Machine, SVM）相结合的故障诊断新方法.首先将原始信号转化为尺度谱图,然后选择预训练好的CNN模型AlexNet对信号的尺度谱图进行特征提取,再通过主成分分析法（Principal Component Analysis,PCA）对得到特征数据进行降维,最后将归一化后的数据输入到灰狼优化算法的SVM分类器中,从而实现轴承健康状态的故障诊断.使用美国凯斯西储大学提供的轴承数据进行仿真实验,结果表明所提方法能够自适应提取合适的特征,并有较高的分类准确率.
【文章来源】：云南大学学报(自然科学版). 2020,42(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
AlexNet结构图Fig.1ThestructurediagramofAlexNet卷2GWO-SVM
X1=XαA1·Dα,X2=XβA2·Dβ,X3=XδA3·Dδ,(12)Dα,Dβ,Dδα,β,δA1,A2,A3C1,C2,C3α,β,δXα(t),Xβ(t),Xδ(t)X1,X2,X3Xα,Xβ,Xδ其中对应狼与猎物的位置表示，和对应于的系数向量，表示t时刻猎物具体位置，对应为狼群的位置向量，对应为猎物位置向量.狼群围捕猎物位置更新如图2所示.2.2GWO-SVM参数优化提出基于灰狼算法优化支持向量机(GWO-SVM)的滚动轴承故障诊断模型，该模型的核心是使用GWO算法优化SVM的惩罚系数c和核函数半径g，通过选择出最佳的c，g组合，以此提高SVM的分类准确率和速度.对比PSO算法和GA算法，GWO算法的结构简单便于理解,只需要设置较少的参数就可以实现.经过多种算法测试，研究结果显示灰狼优化算法在寻找SVM最优解方面有较大优势.GWO算法与PSO算法和GA算法相比在寻找最优解及寻找解的准确性、测试时间和稳定性方面具有很大的优势.GWO-SVM预测模型如图3所示.3CNN特征提取和GWO-SVM的滚动轴承故障诊断模型3.1模型卷积神经网络一般采用全连接的网络结构作为分类器，但是结构难以调整为最优，并且网络泛化能力比较差.而使用SVM分类器避免了以上缺点，它的收敛速度快、泛化能力强更适用于二分类.因此，将神经网络的全连接层改为SVM，以此来进行识别分类.但是SVM的参数选择对其分类的准确率和时间有显著的影响，同时GWO算法可以有效对其参
?GWO-SVM）的滚动轴承故障诊断模型，目的是提高SVM分类的准确率和速度.本文采用基于深度学习特征提取和GWO-SVM混合模型对滚动轴承的故障类型进行识别.其中，CNN网络采用AlexNet结构，使用灰狼优化算法的SVM作为分类器.改进后的模型包括CNN网络特征提取过程和SVM分类器分类过程.选择预训练好的AlexNet模型，对样本的尺度谱图[19]提取特征后，每个样本的特征维数是4096，为了降低图2灰狼更新位置原理Fig.2Theschematicofgreywolflocationupdate图3GWO-SVM预测模型Fig.3ThepredictionmodelofGWO-SVM658云南大学学报（自然科学版）http://www.yndxxb.ynu.edu.cn第42卷
本文编号：3324903
【文章来源】：云南大学学报(自然科学版). 2020,42(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
AlexNet结构图Fig.1ThestructurediagramofAlexNet卷2GWO-SVM
X1=XαA1·Dα,X2=XβA2·Dβ,X3=XδA3·Dδ,(12)Dα,Dβ,Dδα,β,δA1,A2,A3C1,C2,C3α,β,δXα(t),Xβ(t),Xδ(t)X1,X2,X3Xα,Xβ,Xδ其中对应狼与猎物的位置表示，和对应于的系数向量，表示t时刻猎物具体位置，对应为狼群的位置向量，对应为猎物位置向量.狼群围捕猎物位置更新如图2所示.2.2GWO-SVM参数优化提出基于灰狼算法优化支持向量机(GWO-SVM)的滚动轴承故障诊断模型，该模型的核心是使用GWO算法优化SVM的惩罚系数c和核函数半径g，通过选择出最佳的c，g组合，以此提高SVM的分类准确率和速度.对比PSO算法和GA算法，GWO算法的结构简单便于理解,只需要设置较少的参数就可以实现.经过多种算法测试，研究结果显示灰狼优化算法在寻找SVM最优解方面有较大优势.GWO算法与PSO算法和GA算法相比在寻找最优解及寻找解的准确性、测试时间和稳定性方面具有很大的优势.GWO-SVM预测模型如图3所示.3CNN特征提取和GWO-SVM的滚动轴承故障诊断模型3.1模型卷积神经网络一般采用全连接的网络结构作为分类器，但是结构难以调整为最优，并且网络泛化能力比较差.而使用SVM分类器避免了以上缺点，它的收敛速度快、泛化能力强更适用于二分类.因此，将神经网络的全连接层改为SVM，以此来进行识别分类.但是SVM的参数选择对其分类的准确率和时间有显著的影响，同时GWO算法可以有效对其参
?GWO-SVM）的滚动轴承故障诊断模型，目的是提高SVM分类的准确率和速度.本文采用基于深度学习特征提取和GWO-SVM混合模型对滚动轴承的故障类型进行识别.其中，CNN网络采用AlexNet结构，使用灰狼优化算法的SVM作为分类器.改进后的模型包括CNN网络特征提取过程和SVM分类器分类过程.选择预训练好的AlexNet模型，对样本的尺度谱图[19]提取特征后，每个样本的特征维数是4096，为了降低图2灰狼更新位置原理Fig.2Theschematicofgreywolflocationupdate图3GWO-SVM预测模型Fig.3ThepredictionmodelofGWO-SVM658云南大学学报（自然科学版）http://www.yndxxb.ynu.edu.cn第42卷
本文编号：3324903
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3324903.html
