針對基于機器學習模型的故障診斷存在依賴人工特征提取質(zhì)量、維數(shù)災難問題和卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型構(gòu)建缺乏自適應性等問題,提出了一種基于粒子群優(yōu)化（PSO）算法的自適應CNN故障診斷方法,并將其應用于旋轉(zhuǎn)機械故障診斷。將一維時域信號變成二維時頻圖像;使用PSO算法對CNN模型中的7個關(guān)鍵參數(shù)進行優(yōu)化選取,以構(gòu)建深度學習模型;將二維時頻圖像輸入優(yōu)化后的深度學習模型,對旋轉(zhuǎn)機械故障進行診斷。結(jié)果表明,所提方法具有較高的準確率、穩(wěn)定性和自適應性。 

【文章來源】：振動與沖擊. 2020,39(16)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

滾動軸承故障模擬試驗臺

卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典架構(gòu)

HHT-PSO-CNN方法的流程圖

【參考文獻】：
期刊論文
[1]基于深度學習多樣性特征提取與信息融合的行星齒輪箱故障診斷方法[J]. 金棋,王友仁,王俊.  中國機械工程. 2019(02)
[2]基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠韜.  振動與沖擊. 2018(19)
[3]一種基于自適應神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機故障診斷方法[J]. 艾劍良,楊曦中.  中國科學:技術(shù)科學. 2018(03)
[4]基于變分模態(tài)分解和SVM的滾動軸承故障診斷[J]. 王新,閆文源.  振動與沖擊. 2017(18)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)語音識別[J]. 張晴晴,劉勇,潘接林,顏永紅.  工程科學學報. 2015(09)
[7]基于深度學習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.  機械工程學報. 2015(21)
[8]基于LMD樣本熵與SVM的往復壓縮機故障診斷方法[J]. 鄒龍慶,陳桂娟,邢俊杰,姜楚豪.  噪聲與振動控制. 2014(06)
[9]基于時間-小波能量譜熵的滾動軸承故障診斷研究[J]. 唐貴基,鄧飛躍,何玉靈,王曉龍.  振動與沖擊. 2014(07)

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 2017



本文編號：3127413