基于深度神经网络的轴承状态监测研究

发布时间：2021-10-22 15:51

　　为提高轴承状态监测的准确性和实时性,研究了基于卷积神经网络和GPU运算的轴承状态识别模型。利用振动信号监测轴承性能状态,应用连续小波变换算法对振动信号进行时频变换得到小波系数云图,通过基于卷积神经网络的深度学习方法进行数据驱动的特征学习,卷积和子采样计算提取具有旋转和尺寸不变性的特征向量,最后全连接层对特征向量进行状态识别。采用基于CUDA（Computer Unified Device Architecture）框架的CPU+GPU异构并行运算对计算模型加速,提高系统的实时性。为验证提出算法的有效性,采集轴承全寿命周期振动信号,运用提出的CPU+GPU计算方法和CPU计算方法分别对轴承运行状态进行识别实验。实验结果表明,所提出的方法,计算速度是CPU计算速度的5倍以上。 

【文章来源】：制造技术与机床. 2017,(08)北大核心

【文章页数】：5 页

【文章目录】：
1 卷积神经网络
    1.1 卷积层
    1.2 子采样层
    1.3 全连接层
2 基于GPU的卷积神经网络
3 轴承状态监测系统
    3.1 实验平台
    3.2 基于小波变换的数据预处理
    3.3 基于卷积神经网络和GPU的识别模型
4 实验结果
5 结语


【参考文献】：
期刊论文
[1]基于PCA-SVM的滚动轴承故障诊断研究[J]. 张沛朋,郭飞燕.  组合机床与自动化加工技术. 2015(11)
[2]基于Morlet小波变换的滚动轴承早期故障特征提取研究[J]. 马伦,康建设,孟妍,吕雷.  仪器仪表学报. 2013(04)
[3]基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测[J]. 申中杰,陈雪峰,何正嘉,孙闯,张小丽,刘治汶.  机械工程学报. 2013(02)
[4]滚动轴承表面损伤故障智能诊断新方法[J]. 陈果.  仪器仪表学报. 2009(01)



本文编号：3451411