基于一维CNN参数优化的压缩振动信号故障诊断

发布时间：2022-12-08 05:37

　　针对一维卷积神经网络（convolutional neural network,CNN）参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN"端-端"特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显,CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。 

【文章页数】：9 页

【参考文献】：
期刊论文
[1]基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断[J]. 赵春华,胡恒星,陈保家,张毅娜,肖嘉伟.  振动与冲击. 2019(10)
[2]基于平移不变CNN的机械故障诊断研究[J]. 朱会杰,王新晴,芮挺,张欲保,李艳峰.  振动与冲击. 2019(05)
[3]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)
[4]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  控制与决策. 2019(12)
[5]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)
[6]基于压缩采集与深度学习的轴承故障诊断方法[J]. 温江涛,闫常弘,孙洁娣,乔艳雷.  仪器仪表学报. 2018(01)
[7]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)
[8]基于粒子群算法的Universum SVM参数选择[J]. 张新峰,焦月,李欢欢,卓力.  北京工业大学学报. 2013(06)



本文编号：3713659