針對軸承故障在實際環(huán)境中存在負載變化導致故障難以診斷的問題,提出一種基于一維卷積神經網絡的變負載適應軸承故障診斷模型,卷積結構使用小卷積核卷積層堆疊的形式,訓練時對輸入層進行均勻分布失活率的隨機失活,以提高網絡的變負載適應能力,且采用全局平均池化降低模型計算量和減輕過擬合程度;在實驗驗證階段,提出以兩種近鄰負載條件的軸承數據構成變負載數據集,充分驗證軸承故障診斷的變負載適應性。實驗結果表明:本文模型在各測試集均能達到96%以上的準確率且平均準確率達到98.36%,能夠在變負載環(huán)境下實現準確、穩(wěn)定的軸承故障診斷,具有良好的泛化能力。

【文章頁數】：6 頁

【部分圖文】：

圖2模型結構

提出的模型結構如圖2所示,由卷積組、池化層、分類層組成。卷積組分為2層卷積組和3層卷積組,卷積組間使用池化核為2×1的最大值池化層(max-pooling)連接。最深層的卷積組后使用全局平均池化層進行池化運算,經過失活率為0.2的隨機失活后輸出分類結果。模型訓練時,對模型的輸入信....

圖3隨機失活

模型訓練時,對模型的輸入信號進行均勻分布失活率的隨機失活:進行每一批次(batch)訓練時,在區(qū)間為(0,0.5)的均勻分布中隨機取值作為當前批次隨機失活的失活率。每個批次的輸入數據經過不同失活率的隨機失活后,模型接收經過不同程度數據增強的輸入信號,提高模型軸承故障診斷的穩(wěn)定性和....

圖4CWRU實驗臺

將學術界廣泛作為軸承故障診斷標準數據集的美國凱斯西儲大學(CWRU)軸承故障模擬數據[15]作為實驗的驗證數據集,軸承故障模擬實驗臺如圖4所示。在軸承故障模擬實驗中,電機軸承故障由電火花加工(EDM)技術單點引入,分為內圈故障、滾動體故障和外圈故障三種故障類型,每種故障類型設置0....

圖5參數設置

模型的網絡結構參數如圖5所示。由圖5可知,模型共包含6個卷積組。圖5中,Conv(l-k-c)中l(wèi)為卷積組的子層數,k為卷積核大小,c為通道數;c@s中c表示特征圖的通道數,s表示特征圖的尺寸;uniformdropout指輸入的均勻失活率隨機失活;GAP為全局平均池化層。

本文編號：3942335