一维卷积神经网络实时抗噪故障诊断算法

被引:95
作者
刘星辰
周奇才
赵炯
沈鹤鸿
熊肖磊
机构
[1] 同济大学机械与能源工程学院
关键词
故障诊断; 卷积神经网络; 实时诊断; 抗噪诊断; 旋转机械;
D O I
暂无
中图分类号
TH17 [机械运行与维修]; TP183 [人工神经网络与计算];
学科分类号
120111 [工业工程]; 140502 [人工智能];
摘要
针对旋转机械智能诊断方法计算量大和抗噪能力差的问题,在经典模型LeNet-5的基础上提出基于一维卷积神经网络的故障诊断算法.采用全局平均池化层代替传统卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;利用随机破坏后的时域信号进行训练以提高其抗噪能力;采用改进后的一维卷积核和池化核直接作用于原始时域信号,将特征提取和故障分类合二为一,通过交替的卷积层和池化层实现原始信号自适应特征提取,结合全局平均池化层完成故障分类.利用轴承数据和齿轮数据进行实验验证并对比经典模型LeNet-5、BP神经网络和SVM.结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,采用随机破坏输入训练策略可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断.通过t-SNE可视化分析说明了模型在特征学习上的有效性.
引用
收藏
页码:89 / 95
页数:7
相关论文
共 6 条
[1]
Convolutional Neural Network Based Fault Detection for Rotating Machinery.[J].Olivier Janssens;Viktor Slavkovikj;Bram Vervisch;Kurt Stockman;Mia Loccufier;Steven Verstockt;Rik Van de Walle;Sofie Van Hoecke.Journal of Sound and Vibration.2016,
[2]
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,
[3]
Gearbox Fault Identification and Classification with Convolutional Neural Networks.[J].ZhiQiang Chen;Chuan Li;René-Vinicio Sanchez;Dong Wang.Shock and Vibration.2015,
[4]
Failure diagnosis using deep belief learning based health state classification.[J].Prasanna Tamilselvan;Pingfeng Wang.Reliability Engineering and System Safety.2013,
[5]
A review on machinery diagnostics and prognostics implementing condition-based maintenance.[J].Andrew K.S. Jardine;Daming Lin;Dragan Banjevic.Mechanical Systems and Signal Processing.2005, 7
[6]
Bearing fault diagnosis based on wavelet transform and fuzzy inference.[J].Xinsheng Lou;Kenneth A Loparo.Mechanical Systems and Signal Processing.2003, 5