為提高軸承狀態(tài)監(jiān)測的準確性和實時性,研究了基于卷積神經(jīng)網(wǎng)絡(luò)和GPU運算的軸承狀態(tài)識別模型。利用振動信號監(jiān)測軸承性能狀態(tài),應(yīng)用連續(xù)小波變換算法對振動信號進行時頻變換得到小波系數(shù)云圖,通過基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習方法進行數(shù)據(jù)驅(qū)動的特征學(xué)習,卷積和子采樣計算提取具有旋轉(zhuǎn)和尺寸不變性的特征向量,最后全連接層對特征向量進行狀態(tài)識別。采用基于CUDA（Computer Unified Device Architecture）框架的CPU+GPU異構(gòu)并行運算對計算模型加速,提高系統(tǒng)的實時性。為驗證提出算法的有效性,采集軸承全壽命周期振動信號,運用提出的CPU+GPU計算方法和CPU計算方法分別對軸承運行狀態(tài)進行識別實驗。實驗結(jié)果表明,所提出的方法,計算速度是CPU計算速度的5倍以上。 

【文章來源】：制造技術(shù)與機床. 2017,(08)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 卷積神經(jīng)網(wǎng)絡(luò)
    1.1 卷積層
    1.2 子采樣層
    1.3 全連接層
2 基于GPU的卷積神經(jīng)網(wǎng)絡(luò)
3 軸承狀態(tài)監(jiān)測系統(tǒng)
    3.1 實驗平臺
    3.2 基于小波變換的數(shù)據(jù)預(yù)處理
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)和GPU的識別模型
4 實驗結(jié)果
5 結(jié)語


【參考文獻】：
期刊論文
[1]基于PCA-SVM的滾動軸承故障診斷研究[J]. 張沛朋,郭飛燕.  組合機床與自動化加工技術(shù). 2015(11)
[2]基于Morlet小波變換的滾動軸承早期故障特征提取研究[J]. 馬倫,康建設(shè),孟妍,呂雷.  儀器儀表學(xué)報. 2013(04)
[3]基于相對特征和多變量支持向量機的滾動軸承剩余壽命預(yù)測[J]. 申中杰,陳雪峰,何正嘉,孫闖,張小麗,劉治汶.  機械工程學(xué)報. 2013(02)
[4]滾動軸承表面損傷故障智能診斷新方法[J]. 陳果.  儀器儀表學(xué)報. 2009(01)



本文編號：3451411