針對(duì)傳統(tǒng)滾動(dòng)軸承故障診斷的方法需要人為構(gòu)造算法提取并選擇故障特征,孤立地對(duì)待特征提取和特征選擇,提出了應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）和灰狼優(yōu)化算法（Grey Wolf Optimizer,GWO）的支持向量機(jī)（Support Vector Machine, SVM）相結(jié)合的故障診斷新方法.首先將原始信號(hào)轉(zhuǎn)化為尺度譜圖,然后選擇預(yù)訓(xùn)練好的CNN模型AlexNet對(duì)信號(hào)的尺度譜圖進(jìn)行特征提取,再通過(guò)主成分分析法（Principal Component Analysis,PCA）對(duì)得到特征數(shù)據(jù)進(jìn)行降維,最后將歸一化后的數(shù)據(jù)輸入到灰狼優(yōu)化算法的SVM分類器中,從而實(shí)現(xiàn)軸承健康狀態(tài)的故障診斷.使用美國(guó)凱斯西儲(chǔ)大學(xué)提供的軸承數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明所提方法能夠自適應(yīng)提取合適的特征,并有較高的分類準(zhǔn)確率. 

【文章來(lái)源】：云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,42(04)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

AlexNet結(jié)構(gòu)圖Fig.1ThestructurediagramofAlexNet卷2GWO-SVM

X1=XαA1·Dα,X2=XβA2·Dβ,X3=XδA3·Dδ,(12)Dα,Dβ,Dδα,β,δA1,A2,A3C1,C2,C3α,β,δXα(t),Xβ(t),Xδ(t)X1,X2,X3Xα,Xβ,Xδ其中對(duì)應(yīng)狼與獵物的位置表示，和對(duì)應(yīng)于的系數(shù)向量，表示t時(shí)刻獵物具體位置，對(duì)應(yīng)為狼群的位置向量，對(duì)應(yīng)為獵物位置向量.狼群圍捕獵物位置更新如圖2所示.2.2GWO-SVM參數(shù)優(yōu)化提出基于灰狼算法優(yōu)化支持向量機(jī)(GWO-SVM)的滾動(dòng)軸承故障診斷模型，該模型的核心是使用GWO算法優(yōu)化SVM的懲罰系數(shù)c和核函數(shù)半徑g，通過(guò)選擇出最佳的c，g組合，以此提高SVM的分類準(zhǔn)確率和速度.對(duì)比PSO算法和GA算法，GWO算法的結(jié)構(gòu)簡(jiǎn)單便于理解,只需要設(shè)置較少的參數(shù)就可以實(shí)現(xiàn).經(jīng)過(guò)多種算法測(cè)試，研究結(jié)果顯示灰狼優(yōu)化算法在尋找SVM最優(yōu)解方面有較大優(yōu)勢(shì).GWO算法與PSO算法和GA算法相比在尋找最優(yōu)解及尋找解的準(zhǔn)確性、測(cè)試時(shí)間和穩(wěn)定性方面具有很大的優(yōu)勢(shì).GWO-SVM預(yù)測(cè)模型如圖3所示.3CNN特征提取和GWO-SVM的滾動(dòng)軸承故障診斷模型3.1模型卷積神經(jīng)網(wǎng)絡(luò)一般采用全連接的網(wǎng)絡(luò)結(jié)構(gòu)作為分類器，但是結(jié)構(gòu)難以調(diào)整為最優(yōu)，并且網(wǎng)絡(luò)泛化能力比較差.而使用SVM分類器避免了以上缺點(diǎn)，它的收斂速度快、泛化能力強(qiáng)更適用于二分類.因此，將神經(jīng)網(wǎng)絡(luò)的全連接層改為SVM，以此來(lái)進(jìn)行識(shí)別分類.但是SVM的參數(shù)選擇對(duì)其分類的準(zhǔn)確率和時(shí)間有顯著的影響，同時(shí)GWO算法可以有效對(duì)其參

?GWO-SVM）的滾動(dòng)軸承故障診斷模型，目的是提高SVM分類的準(zhǔn)確率和速度.本文采用基于深度學(xué)習(xí)特征提取和GWO-SVM混合模型對(duì)滾動(dòng)軸承的故障類型進(jìn)行識(shí)別.其中，CNN網(wǎng)絡(luò)采用AlexNet結(jié)構(gòu)，使用灰狼優(yōu)化算法的SVM作為分類器.改進(jìn)后的模型包括CNN網(wǎng)絡(luò)特征提取過(guò)程和SVM分類器分類過(guò)程.選擇預(yù)訓(xùn)練好的AlexNet模型，對(duì)樣本的尺度譜圖[19]提取特征后，每個(gè)樣本的特征維數(shù)是4096，為了降低圖2灰狼更新位置原理Fig.2Theschematicofgreywolflocationupdate圖3GWO-SVM預(yù)測(cè)模型Fig.3ThepredictionmodelofGWO-SVM658云南大學(xué)學(xué)報(bào)（自然科學(xué)版）http://www.yndxxb.ynu.edu.cn第42卷


本文編號(hào)：3324903