針對(duì)現(xiàn)有基于CNN（Convolution Neural Network）的滾動(dòng)軸承故障診斷方法難以有效挖掘和利用數(shù)據(jù)中包含的多尺度信息問(wèn)題,提出了一種多尺度卷積特征融合的滾動(dòng)軸承故障診斷方法。加入上采樣層,通過(guò)遞歸方式建立具有多尺度特征提取和融合能力的卷積神經(jīng)網(wǎng)絡(luò)MSCNN（MultiScale Convolution Neural Network）結(jié)構(gòu),提升模型對(duì)輸入信號(hào)的理解能力。利用美國(guó)凱斯西儲(chǔ)大學(xué)（CWRU）數(shù)據(jù)庫(kù)對(duì)所提方法的有效性進(jìn)行驗(yàn)證,采用短時(shí)傅里葉變換對(duì)滾動(dòng)軸承信號(hào)進(jìn)行頻譜分析,將頻譜樣本輸入到MSCNN網(wǎng)絡(luò)中,數(shù)據(jù)分析表明,該方法能有效地提升故障的診斷精度。 

【文章來(lái)源】：機(jī)械傳動(dòng). 2020,44(07)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

ReLU激活函數(shù)的圖像

卷積神經(jīng)網(wǎng)絡(luò)是多級(jí)神經(jīng)網(wǎng)絡(luò)，通過(guò)改變相鄰兩層神經(jīng)元之間的連接方式，引入權(quán)值共享設(shè)定，達(dá)到降低網(wǎng)絡(luò)權(quán)值的個(gè)數(shù)，進(jìn)一步擴(kuò)展網(wǎng)絡(luò)結(jié)構(gòu)的目的。常用基本單元有卷積層、池化層和全連接層[9]。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。1.2 組成單元

在網(wǎng)絡(luò)中新增上采樣層，使池化后和池化前兩種尺度的特征可以進(jìn)行融合，從而能夠同時(shí)保留整體和局部特征。多尺度網(wǎng)絡(luò)結(jié)構(gòu)基本構(gòu)成單元如圖3所示。輸入數(shù)據(jù)在網(wǎng)絡(luò)中分為兩個(gè)分支：一個(gè)為池化之后低分辨率分支；另一個(gè)是池化之前高分辨率的分支。兩個(gè)分支各自經(jīng)過(guò)卷積層處理，將分辨率低的結(jié)果進(jìn)行上采樣，然后將上采樣的結(jié)果與高分辨率分支的結(jié)果相加，最后兩個(gè)分支相加的結(jié)果在經(jīng)過(guò)卷積層處理后作為網(wǎng)絡(luò)單元輸出。

【參考文獻(xiàn)】：
期刊論文
[1]基于短時(shí)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(yuǎn)韜.  振動(dòng)與沖擊. 2018(19)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動(dòng)軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動(dòng)工程學(xué)報(bào). 2018(05)
[3]多尺度模糊熵及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 鄭近德,陳敏均,程軍圣,楊宇.  振動(dòng)工程學(xué)報(bào). 2014(01)
[4]滾動(dòng)軸承故障信號(hào)的多尺度形態(tài)學(xué)分析[J]. 郝如江,盧文秀,褚福磊.  機(jī)械工程學(xué)報(bào). 2008(11)



本文編號(hào)：3273523