基于卷积神经网络的轴承故障诊断算法研究

发布时间：2020-11-21 11:55

　　 机电装备朝着大型化、高速化、精密化、系统化和自动化的方向发展。建立可靠的健康检测系统,是保证机电装备平稳运行的关键。随着设备检测点的数量与采样频率的增加,机械健康监测进入了“大数据”时代。基于信号处理的特征提取+分类器的传统智能诊断算法,对专家经验要求高,设计耗时且不能保证通用性,已经不能满足机械大数据的要求。本文针对该问题,以机械中最重要的零件轴承为研究对象,提出了一套基于卷积神经网络智能诊断算法,该算法可以自动完成特征提取以及故障识别。本文首先提出了具有两个卷积层的卷积神经网络,对时域振动信号进行诊断。利用数据集增强技术,模型在CWRU轴承数据库上的识别率达到了99%以上。该模型是第一个直接作用在时域振动信号上,对轴承进行故障诊断的卷积神经网络。通过进一步分析振动信号的特点,提出了用于轴承故障诊断的卷积神经网络框架WDCNN模型。该模型具有第一层大卷积核以及多层小卷积核的鲜明特征。利用批量归一化算法,模型的训练速度很快。给出了WDCNN模型的设计准则,降低了故障诊断算法的设计难度。WDCNN在CWRU数据库上的识别率可以达到100%。针对噪声以及变负载情况下,轴承故障诊断系统识别率会降低的问题。本文首次将这两类问题共同归结为机器学习中的领域自适应问题,并引入了自适应批量归一化算法,对WDCNN模型进行改进。该算法大幅提高了WDCNN模型的抗噪性以及变负载自适应性。针对神经网络难以分析的难题,利用数据可视化技术,展示了WDCNN模型诊断轴承故障信号的过程。针对自适应批量归一化算法需要测试集的统计信息的不足,提出了TICNN模型。TICNN模型利用卷积核Dropout与极小批量训练,为卷积神经网络引入训练干扰,增强了模型的泛化性能。为了进一步提高网络性能,使用集成学习来提高模型的识别率与稳定性。TICNN模型不需要任何测试集的信息,无需任何降噪预处理,取得了很高抗噪与变负载自适应性能。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TH133.3;TP183
【部分图文】：

LAMSTAR结构图

图 1-2 基于稀疏自编码器的深度神经网络结构[24]2016 年，中国科技大学的竺长安等人[25]利用深度置信网络，提出使用分层诊断网络 HDN（HierarchicalDiagnosisNetwork），对滚动轴承进行故障诊断。该方法先使用 DBN 确定轴承损伤位置，即无缺陷，内圈，外圈与滚动体缺陷的诊断，再用 DBN 对损伤的大小进行诊断，诊断的结果一共 10 类。利用该分层结构，对采

图 1-3AlexNet 结构图[28]2015 年，微软研究院何恺明等提出残差卷积神经网络 ResNet，在计算机视觉历史上，首次取得高于人眼的图像识别率[30]。该网络利用恒等映射层，可以将原始输入信号传递到最后一层，解决了深度神经网络的梯度弥散问题，最终设计出高达152 层的卷积神经网络。该模型在斯坦福大学 ImageNet 挑战中的错误率仅为 4.94%，
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 魏永合;冯睿智;魏超;王晶晶;;一种优化的SOM模型及其在轴承故障诊断中的应用[J];沈阳理工大学学报;2017年03期

3 韩东;王学军;;基于改进的卷积神经网络多姿态人脸识别研究[J];吉林大学学报(信息科学版);2018年05期

4 索琰琰;吴昊;李娆;冯成;孟令凯;苑海朝;;浅谈卷积神经网络[J];数码世界;2018年05期

5 靳丽蕾;杨文柱;王思乐;崔振超;陈向阳;陈丽萍;;一种用于卷积神经网络压缩的混合剪枝方法[J];小型微型计算机系统;2018年12期

6 陈柏立;林楠;;基于卷积神经网络的交通路标识别[J];计算机与现代化;2018年07期

7 孙晓涛;高军伟;毛云龙;张彬;董宏辉;;基于小波包变换与神经网络的滚动轴承故障诊断[J];工业控制计算机;2017年08期

8 路凯;;一种基于卷积神经网络的船舶识别方法[J];许昌学院学报;2019年02期

9 赵玉芹;鹿艳晶;;基于卷积神经网络的隐藏信息实时识别算法[J];信息与电脑(理论版);2018年15期

10 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

相关博士学位论文 前10条

1 周颖华;具时变脉冲的神经网络的稳定性研究[D];西南大学;2018年

2 张婷;深度神经网络的核映射结构和跨连结构研究[D];北京工业大学;2018年

3 胡中旭;虚拟场景人机交互中手势识别技术研究[D];华中科技大学;2018年

4 蒙西;模块化神经网络优化设计及应用研究[D];北京工业大学;2018年

5 杨莉萍;量子计算及其在生物化学问题中的应用研究[D];华中科技大学;2018年

6 涂正文;基于惯性项和四元数的神经网络的动力学行为分析[D];东南大学;2018年

7 张浩;耦合反应扩散神经网络的同步分析与控制[D];华中科技大学;2018年

8 周徐达;稀疏神经网络和稀疏神经网络加速器的研究[D];中国科学技术大学;2019年

9 王国威;异源轨迹链接问题研究[D];中国科学技术大学;2019年

10 刘梅;网络系统的稳定和同步行为研究[D];新疆大学;2017年

相关硕士学位论文 前10条

1 张伟;基于卷积神经网络的轴承故障诊断算法研究[D];哈尔滨工业大学;2017年

2 张洋阳;基于卷积神经网络的场景分类的研究与应用[D];兰州理工大学;2017年

3 吴章辉;基于树状卷积神经网络的车标识别[D];湘潭大学;2017年

4 裴子龙;基于卷积神经网络的人脸性别识别研究[D];山西师范大学;2017年

5 郭田梅;基于卷积神经网络的图像分类算法研究[D];济南大学;2017年

6 李静;基于卷积神经网络的虚假评论识别技术的研究[D];北京邮电大学;2017年

7 史晓霞;卷积神经网络的研究与应用分析[D];广东工业大学;2017年

8 胡琛;基于卷积神经网络的人脸识别研究[D];武汉工程大学;2017年

9 倪佳佳;基于卷积神经网络的人脸验证研究[D];湘潭大学;2017年

10 刘键;基于卷积神经网络的行人检测方法研究[D];哈尔滨工业大学;2017年

本文编号：2892958