針對現(xiàn)有滾動軸承故障診斷模型中人工選取特征的不確定性,診斷模型不具有針對性的難題,提出一種針對滾動軸承多狀態(tài)特征信息的改進型卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法。首先,該方法針對滾動軸承故障的多狀態(tài)特征信息,提出一種改進型卷積神經(jīng)網(wǎng)絡(luò)設(shè)計基本準(zhǔn)則（BPDICNN）;再次,利用提出的BPDICNN設(shè)計了卷積神經(jīng)網(wǎng)絡(luò)模型,直接在滾動軸承原始振動信號上進行"端到端"的學(xué)習(xí)訓(xùn)練,從原始信號中挖掘出包括故障類型、故障位置、故障損傷程度、故障檢測時負(fù)載狀態(tài)等多個特征;最后,利用實驗數(shù)據(jù)進行了驗證,實現(xiàn)了30個滾動軸承故障狀態(tài)的有效診斷,準(zhǔn)確率為100%,實驗結(jié)果驗證了方法的有效性。 

【文章來源】：振動工程學(xué)報. 2020,33(04)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

第1層卷積核

不同卷積核的收斂速度

按照BPDICNN設(shè)計了如圖1所示的CNN結(jié)構(gòu)。輸入層的尺寸為1×4096；在圖像識別領(lǐng)域大多采用尺寸為3×3或者5×5的卷積核，該層相當(dāng)于獲取9或25像素的感受野，為了更好地提取原始信號的特征，此處模型第1層卷積層的大卷積核尺寸設(shè)計為1×32，同時使用步長為1×4，讓卷積層在提取特征的同時適當(dāng)縮小尺寸，加速網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程；第2層池化層尺寸為1×10，移動步長為1×4，交叉采樣可以使得模型表達(dá)的特征更加豐富；第3層卷積層的卷積核尺寸為1×5，步長為1×3；第4層池化層尺寸為1×10，步長為1×4；第5層卷積層的卷積核尺寸為1×5，步長為1×3；第6層為全連接層有120節(jié)點；經(jīng)過第7層Softmax層后完成30個故障狀態(tài)分類。模型結(jié)構(gòu)參數(shù)如表1所示。在卷積層中，上一層的特征映射與當(dāng)前層的卷積核進行卷積，卷積運算的結(jié)果經(jīng)過激活函數(shù)后形成這一層的特征映射，卷積層的輸出

【參考文獻】：
期刊論文
[1]基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承自適應(yīng)故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學(xué)報. 2018(07)
[2]基于小波時頻圖和CNN的滾動軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機械設(shè)計與研究. 2017(02)
[3]基于深度學(xué)習(xí)理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學(xué)報. 2015(21)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學(xué) 2017



本文編號：2985275