針對滾動軸承信號易受噪聲干擾和智能診斷模型魯棒性差的問題,在一維卷積網(wǎng)絡的基礎上,提出基于多輸入層卷積神經(jīng)網(wǎng)絡的滾動軸承故障診斷模型。相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡診斷模型,該模型具有多個輸入層,初始輸入層為原始信號,以最大化地發(fā)揮卷積網(wǎng)絡自動學習原始信號特征的優(yōu)勢;同時可將譜分析數(shù)據(jù)在模型任意位置輸入模型,以提升模型的識別精度和抗干擾能力。通過滾動軸承模擬試驗,進行可行性和有效性驗證,同時與人工神經(jīng)網(wǎng)絡（Artificial Neural Network,ANN）、支持向量機（Support Vector Machine,SVM）和典型的卷積神經(jīng)模型進行對比,證明了所提出模型的優(yōu)勢;向測試集中加入噪聲來檢驗模型的魯棒性,并且運用增量學習方法提升模型在強噪聲環(huán)境下的識別性能;通過滾動軸承故障實例,驗證模型的識別性能和泛化能力。試驗結果表明,所提出的模型提升了傳統(tǒng)卷積模型的識別率和收斂性能,并具有較好的魯棒性和泛化能力。 

【文章來源】：振動與沖擊. 2020,39(12)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡結構

為了充分發(fā)揮CNN模型對信號特征的提取能力,同時融合原始數(shù)據(jù)與譜分析數(shù)據(jù)輸入的優(yōu)勢,提高模型的抗干擾能力,本文提出了MIL-CNN模型。如圖2所示,模型由多個輸入層、卷積層、池化層、全連接層以及分類器組成。數(shù)據(jù)集1作為網(wǎng)絡的第一層輸入,經(jīng)過第一層卷積池化運算后得到一組特征圖。此時,可通過輸入層2將數(shù)據(jù)集2輸入到模型中,并與特征圖混合,所組成的新特征圖作為第二卷積層的輸入。在網(wǎng)絡結構允許的情況下,模型可以添加多個輸入層,并可以在任意位置將譜分析數(shù)據(jù)輸入到模型中,實現(xiàn)對不同維度數(shù)據(jù)的有效融合。MIL-CNN網(wǎng)絡模型采用ReLU函數(shù)作為激活函數(shù),并使用最大池化算子實現(xiàn)對特征矢量維數(shù)的約簡,提高非線性特征的魯棒性。全連接層的功能是將特征圖按列展開,并將所有特征圖首尾連接組成一維向量。分類器采用Softmax回歸模型,實現(xiàn)對目標類別的輸出。同時,使用交叉熵作為損失函數(shù),優(yōu)化網(wǎng)絡參數(shù)。

CWRU數(shù)據(jù)集是世界公認的軸承故障診斷標準數(shù)據(jù)集,其實驗平臺包括一個2 hp的電機,一個轉矩傳感器,一個功率計和電子控制設備。本試驗選取驅動端軸承在負載為1 hp時的數(shù)據(jù)作為作為試驗數(shù)據(jù),系統(tǒng)的采樣頻率為12 kHz。被診斷的軸承型號為SKF6205,其滾子直徑為7.5 mm,節(jié)圓直徑為39 mm,滾子數(shù)為9,接觸角為0°。軸承由電火花加工了3 種缺陷位置,分別是滾動體損傷,外圈損傷與內圈損傷。損傷直徑的大小分別為包括 0.007 inch,0.014 inch 和 0.021 inch,共計9 種損傷狀態(tài)。試驗中,每次使用2 400 個數(shù)據(jù)點進行診斷。為了便于訓練卷積神經(jīng)網(wǎng)絡,對每段信號均做歸一化處理。如圖4所示,運用數(shù)據(jù)集增強(Data Augment)算法[21]對樣本進行重疊采樣,從而增加訓練樣本,增強深度神經(jīng)網(wǎng)絡泛化能力。圖4 數(shù)據(jù)集增強方式

【參考文獻】：
期刊論文
[1]旋轉機械一維深度卷積神經(jīng)網(wǎng)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)
[2]基于一維卷積神經(jīng)網(wǎng)絡的齒輪箱故障診斷[J]. 吳春志,江鵬程,馮輔周,陳湯,陳祥龍.  振動與沖擊. 2018(22)
[3]基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡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)
[4]基于卷積神經(jīng)網(wǎng)絡和離散小波變換的滾動軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動工程學報. 2018(05)
[5]基于一維卷積神經(jīng)網(wǎng)絡的滾動軸承自適應故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學報. 2018(07)
[6]基于卷積神經(jīng)網(wǎng)絡的輸電線路區(qū)內外故障判斷及故障選相方法研究[J]. 魏東,龔慶武,來文青,王波,劉棟,喬卉,林剛.  中國電機工程學報. 2016(S1)
[7]強抗噪時頻分析方法及其在滾動軸承故障診斷中的應用[J]. 王宏超,陳進,霍柏琦,胡旭鋼,王冉,周海韜,朱淼.  機械工程學報. 2015(01)
[8]基于EMD與ICA的滾動軸承復合故障診斷[J]. 崔玲麗,吳春光,鄔娜.  北京工業(yè)大學學報. 2014(10)
[9]非抽樣多小波和Hilbert-Huang時頻分析在行星減速器早期故障診斷中的應用[J]. 孫海亮,訾艷陽,袁靜,何正嘉,李康,陳雪軍.  機械工程學報. 2013(03)
[10]運用頻率指標診斷電機軸承故障的神經(jīng)網(wǎng)絡法[J]. 陸秋海,李德葆.  清華大學學報(自然科學版). 1998(04)



本文編號：3428301