針對(duì)滾動(dòng)軸承信號(hào)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(luò)的基礎(chǔ)上,提出基于多輸入層卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷模型。相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)診斷模型,該模型具有多個(gè)輸入層,初始輸入層為原始信號(hào),以最大化地發(fā)揮卷積網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)原始信號(hào)特征的優(yōu)勢(shì);同時(shí)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(shí)別精度和抗干擾能力。通過滾動(dòng)軸承模擬試驗(yàn),進(jìn)行可行性和有效性驗(yàn)證,同時(shí)與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）、支持向量機(jī)（Support Vector Machine,SVM）和典型的卷積神經(jīng)模型進(jìn)行對(duì)比,證明了所提出模型的優(yōu)勢(shì);向測(cè)試集中加入噪聲來檢驗(yàn)?zāi)Ｐ偷聂敯粜?并且運(yùn)用增量學(xué)習(xí)方法提升模型在強(qiáng)噪聲環(huán)境下的識(shí)別性能;通過滾動(dòng)軸承故障實(shí)例,驗(yàn)證模型的識(shí)別性能和泛化能力。試驗(yàn)結(jié)果表明,所提出的模型提升了傳統(tǒng)卷積模型的識(shí)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(dòng)與沖擊. 2020,39(12)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了充分發(fā)揮CNN模型對(duì)信號(hào)特征的提取能力,同時(shí)融合原始數(shù)據(jù)與譜分析數(shù)據(jù)輸入的優(yōu)勢(shì),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(gè)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(luò)的第一層輸入,經(jīng)過第一層卷積池化運(yùn)算后得到一組特征圖。此時(shí),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(luò)結(jié)構(gòu)允許的情況下,模型可以添加多個(gè)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(shí)現(xiàn)對(duì)不同維度數(shù)據(jù)的有效融合。MIL-CNN網(wǎng)絡(luò)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(shí)現(xiàn)對(duì)特征矢量維數(shù)的約簡(jiǎn),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(shí)現(xiàn)對(duì)目標(biāo)類別的輸出。同時(shí),使用交叉熵作為損失函數(shù),優(yōu)化網(wǎng)絡(luò)參數(shù)。

CWRU數(shù)據(jù)集是世界公認(rèn)的軸承故障診斷標(biāo)準(zhǔn)數(shù)據(jù)集,其實(shí)驗(yàn)平臺(tái)包括一個(gè)2 hp的電機(jī),一個(gè)轉(zhuǎn)矩傳感器,一個(gè)功率計(jì)和電子控制設(shè)備。本試驗(yàn)選取驅(qū)動(dòng)端軸承在負(fù)載為1 hp時(shí)的數(shù)據(jù)作為作為試驗(yàn)數(shù)據(jù),系統(tǒng)的采樣頻率為12 kHz。被診斷的軸承型號(hào)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(dòng)體損傷,外圈損傷與內(nèi)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(jì)9 種損傷狀態(tài)。試驗(yàn)中,每次使用2 400 個(gè)數(shù)據(jù)點(diǎn)進(jìn)行診斷。為了便于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),對(duì)每段信號(hào)均做歸一化處理。如圖4所示,運(yùn)用數(shù)據(jù)集增強(qiáng)(Data Augment)算法[21]對(duì)樣本進(jìn)行重疊采樣,從而增加訓(xùn)練樣本,增強(qiáng)深度神經(jīng)網(wǎng)絡(luò)泛化能力。圖4 數(shù)據(jù)集增強(qiáng)方式

【參考文獻(xiàn)】：
期刊論文
[1]旋轉(zhuǎn)機(jī)械一維深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷研究[J]. 周奇才,劉星辰,趙炯,沈鶴鴻,熊肖磊.  振動(dòng)與沖擊. 2018(23)
[2]基于一維卷積神經(jīng)網(wǎng)絡(luò)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(dòng)與沖擊. 2018(22)
[3]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)
[4]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)
[5]基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承自適應(yīng)故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學(xué)報(bào). 2018(07)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)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(guó)電機(jī)工程學(xué)報(bào). 2016(S1)
[7]強(qiáng)抗噪時(shí)頻分析方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 王宏超,陳進(jìn),霍柏琦,胡旭鋼,王冉,周海韜,朱淼.  機(jī)械工程學(xué)報(bào). 2015(01)
[8]基于EMD與ICA的滾動(dòng)軸承復(fù)合故障診斷[J]. 崔玲麗,吳春光,鄔娜.  北京工業(yè)大學(xué)學(xué)報(bào). 2014(10)
[9]非抽樣多小波和Hilbert-Huang時(shí)頻分析在行星減速器早期故障診斷中的應(yīng)用[J]. 孫海亮,訾艷陽(yáng),袁靜,何正嘉,李康,陳雪軍.  機(jī)械工程學(xué)報(bào). 2013(03)
[10]運(yùn)用頻率指標(biāo)診斷電機(jī)軸承故障的神經(jīng)網(wǎng)絡(luò)法[J]. 陸秋海,李德葆.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 1998(04)



本文編號(hào)：3428301