針對利用卷積神經網絡（convolutional neural networks, CNN）對滾動軸承進行故障診斷時可采用的振動信號處理方法較多的情況,設計了基于CNN的振動信號處理方法對比實驗,采用不同的振動信號處理方法對滾動軸承在不同工況下的采樣數據進行處理,再將動信號輸入CNN故障診斷模型進行訓練及測試,根據測試精度比較處理方法對故障診斷精度的影響。采用CNN中的AlexNet作為實驗模型,選擇模型中的最后3個全連接層,以達到快速訓練的目的。對比不同信號處理方法對應的檢測準確率可知,基于小波變換的滾動軸承故障診斷模型的檢測準確率最高。 

【文章來源】：中國科技論文. 2020,15(07)北大核心

【文章頁數】：6 頁

【文章目錄】：
1 CNN
    1.1 理論基礎
    1.2 AlexNet
        1) 首次使用ReLU激活函數
        2) 首次使用Dropout和LRN方法
2 信號處理
    2.1 實驗目的
    2.2 數據集的準備
        2.2.1 FFT
        2.2.2 STFT
        2.2.3 WT
3 故障診斷模型
    3.1 實驗環(huán)境
    3.2 模型結構及參數
    3.3 超參數設計
4 對比實驗
5 結 論


【參考文獻】：
期刊論文
[1]基于深度卷積神經網絡的未知復合故障診斷[J]. 張應軍,江永全,楊燕,張衛(wèi)華,陳錦雄.  中國科技論文. 2019(02)
[2]旋轉機械一維深度卷積神經網絡故障診斷研究[J]. 周奇才,劉星辰,趙炯,沈鶴鴻,熊肖磊.  振動與沖擊. 2018(23)
[3]基于多域融合CNN的高速列車轉向架故障檢測[J]. 吳昀璞,金煒東,黃穎坤.  系統(tǒng)仿真學報. 2018(11)
[4]基于RS-LSTM的滾動軸承故障識別[J]. 陳偉,陳錦雄,江永全,宋冬利,張聞東.  中國科技論文. 2018(10)
[5]深度學習在故障診斷領域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[6]基于時頻分析與人工神經網絡的軸承診斷研究[J]. 孫志誠,沈長青,王富東,楊云貴.  機電一體化. 2017(04)
[7]基于長短時記憶神經網絡的風電機組滾動軸承故障診斷方法[J]. 張建付,宋雨,李剛,王傳洋,焦亞菲.  計算機測量與控制. 2017(01)
[8]基于小波分形和神經網絡的滾動軸承故障診斷[J]. 張俊,萬里冰.  組合機床與自動化加工技術. 2009(09)



本文編號：3192550