基于改进卷积神经网络的滚动轴承智能故障诊断研究

被引：196

作者：

宫文峰 ^{[1
,2
]}

陈辉 ^{[1
]}

张泽辉 ^{[1
]}

张美玲 ^{[2
]}

管聪 ^{[1
]}

王鑫 ^{[2
]}

机构：

[1] 武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室

[2] 桂林电子科技大学北海校区

来源：

振动工程学报 | 2020年 / 33卷 / 02期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

故障诊断; 滚动轴承; 卷积神经网络; 全局均值池化; 深度学习;

D O I：

10.16385/j.cnki.issn.1004-4523.2020.02.021

中图分类号：

TP183 [人工神经网络与计算]; TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。

引用

页码：400 / 413

页数：14

共 20 条

[1]

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法 [J].

李恒 ;

张氢 ;

秦仙蓉 ;

孙远韬 .

振动与冲击, 2018, 37 (19) :124-131

[2]

基于一维卷积神经网络的滚动轴承自适应故障诊断算法 [J].

曲建岭 ;

余路 ;

袁涛 ;

田沿平 ;

高峰 .

仪器仪表学报, 2018, 39 (07) :134-143

[3]

基于卷积神经网络的异步电机故障诊断 [J].

王丽华 ;

谢阳阳 ;

周子贤 ;

张永宏 ;

赵晓平 .

振动测试与诊断., 2017, 37 (06) :1208-1215+1283

[4]

基于数据驱动的微小故障诊断方法综述 [J].

文成林 ;

吕菲亚 ;

包哲静 ;

刘妹琴 .

自动化学报, 2016, 42 (09) :1285-1299

[5]

基于深度信念网络的轴承故障分类识别 [J].

李巍华 ;

单外平 ;

曾雪琼 .

振动工程学报, 2016, 29 (02) :340-347

[6]

基于灵敏度及层次分析法的键合头多目标结构优化 [J].

宫文峰 ;

黄美发 ;

张美玲 ;

莫秋云 .

振动与冲击, 2015, 34 (16) :128-134

[7]

A novel method for intelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders.[J].Haidong Shao;Hongkai Jiang;Ying Lin;Xingqiu Li.Mechanical Systems and Signal Processing.2018,

[8]

Deep Learning Enabled Fault Diagnosis Using Time-Frequency Image Analysis of Rolling Element Bearings.[J].David Verstraete;Andrés Ferrada;Enrique López Droguett;Viviana Meruane;Mohammad Modarres;Matthew J. Whelan.Shock and Vibration.2017,

[9]

Training Object Detection And Recognition CNN Models Using Data Augmentation.[J].Montserrat Daniel Mas;Lin Qian;Allebach Jan;Delp EdwardJ..Electronic Imaging.2017, 10

[10]

Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data.[J].Feng Jia;Yaguo Lei;Jing Lin;Xin Zhou;Na Lu.Mechanical Systems and Signal Processing.2016,

← 1 2 →