基于多输入层卷积神经网络的滚动轴承故障诊断模型

发布时间：2021-10-10 11:36

　　针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。 

【文章来源】：振动与冲击. 2020,39(12)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

卷积神经网络结构

为了充分发挥CNN模型对信号特征的提取能力,同时融合原始数据与谱分析数据输入的优势,提高模型的抗干扰能力,本文提出了MIL-CNN模型。如图2所示,模型由多个输入层、卷积层、池化层、全连接层以及分类器组成。数据集1作为网络的第一层输入,经过第一层卷积池化运算后得到一组特征图。此时,可通过输入层2将数据集2输入到模型中,并与特征图混合,所组成的新特征图作为第二卷积层的输入。在网络结构允许的情况下,模型可以添加多个输入层,并可以在任意位置将谱分析数据输入到模型中,实现对不同维度数据的有效融合。MIL-CNN网络模型采用ReLU函数作为激活函数,并使用最大池化算子实现对特征矢量维数的约简,提高非线性特征的鲁棒性。全连接层的功能是将特征图按列展开,并将所有特征图首尾连接组成一维向量。分类器采用Softmax回归模型,实现对目标类别的输出。同时,使用交叉熵作为损失函数,优化网络参数。

CWRU数据集是世界公认的轴承故障诊断标准数据集,其实验平台包括一个2 hp的电机,一个转矩传感器,一个功率计和电子控制设备。本试验选取驱动端轴承在负载为1 hp时的数据作为作为试验数据,系统的采样频率为12 kHz。被诊断的轴承型号为SKF6205,其滚子直径为7.5 mm,节圆直径为39 mm,滚子数为9,接触角为0°。轴承由电火花加工了3 种缺陷位置,分别是滚动体损伤,外圈损伤与内圈损伤。损伤直径的大小分别为包括 0.007 inch,0.014 inch 和 0.021 inch,共计9 种损伤状态。试验中,每次使用2 400 个数据点进行诊断。为了便于训练卷积神经网络,对每段信号均做归一化处理。如图4所示,运用数据集增强(Data Augment)算法[21]对样本进行重叠采样,从而增加训练样本,增强深度神经网络泛化能力。图4 数据集增强方式

【参考文献】：
期刊论文
[1]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)
[2]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)
[3]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)
[4]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)
[5]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[6]基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 魏东,龚庆武,来文青,王波,刘栋,乔卉,林刚.  中国电机工程学报. 2016(S1)
[7]强抗噪时频分析方法及其在滚动轴承故障诊断中的应用[J]. 王宏超,陈进,霍柏琦,胡旭钢,王冉,周海韬,朱淼.  机械工程学报. 2015(01)
[8]基于EMD与ICA的滚动轴承复合故障诊断[J]. 崔玲丽,吴春光,邬娜.  北京工业大学学报. 2014(10)
[9]非抽样多小波和Hilbert-Huang时频分析在行星减速器早期故障诊断中的应用[J]. 孙海亮,訾艳阳,袁静,何正嘉,李康,陈雪军.  机械工程学报. 2013(03)
[10]运用频率指标诊断电机轴承故障的神经网络法[J]. 陆秋海,李德葆.  清华大学学报(自然科学版). 1998(04)



本文编号：3428301