变负载轴承故障诊断卷积神经网络模型

发布时间：2024-03-30 12:12

　　针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。

【文章页数】：6 页

【部分图文】：

图2模型结构

提出的模型结构如图2所示,由卷积组、池化层、分类层组成。卷积组分为2层卷积组和3层卷积组,卷积组间使用池化核为2×1的最大值池化层(max-pooling)连接。最深层的卷积组后使用全局平均池化层进行池化运算,经过失活率为0.2的随机失活后输出分类结果。模型训练时,对模型的输入信....

图3随机失活

模型训练时,对模型的输入信号进行均匀分布失活率的随机失活:进行每一批次(batch)训练时,在区间为(0,0.5)的均匀分布中随机取值作为当前批次随机失活的失活率。每个批次的输入数据经过不同失活率的随机失活后,模型接收经过不同程度数据增强的输入信号,提高模型轴承故障诊断的稳定性和....

图4CWRU实验台

将学术界广泛作为轴承故障诊断标准数据集的美国凯斯西储大学(CWRU)轴承故障模拟数据[15]作为实验的验证数据集,轴承故障模拟实验台如图4所示。在轴承故障模拟实验中,电机轴承故障由电火花加工(EDM)技术单点引入,分为内圈故障、滚动体故障和外圈故障三种故障类型,每种故障类型设置0....

图5参数设置

模型的网络结构参数如图5所示。由图5可知,模型共包含6个卷积组。图5中,Conv(l-k-c)中l为卷积组的子层数,k为卷积核大小,c为通道数;c@s中c表示特征图的通道数,s表示特征图的尺寸;uniformdropout指输入的均匀失活率随机失活;GAP为全局平均池化层。

本文编号：3942335