基于卷积神经网络和离散小波变换的滚动轴承故障诊断

被引：115

作者：

陈仁祥 ^{[1
,2
]}

黄鑫 ^{[1
]}

杨黎霞 ^{[3
]}

汤宝平 ^{[2
]}

余腾伟 ^{[1
]}

周君 ^{[1
]}

机构：

[1] 重庆交通大学机电与车辆工程学院

[2] 重庆大学机械传动国家重点实验室

[3] 重庆广播电视大学

来源：

振动工程学报 | 2018年 / 31卷 / 05期

基金：

中国博士后科学基金;

关键词：

故障诊断; 滚动轴承; 卷积神经网络; 离散小波变换; 自适应提取;

D O I：

10.16385/j.cnki.issn.1004-4523.2018.05.019

中图分类号：

TH133.33 [滚动轴承]; TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。

引用

页码：883 / 891

页数：9

共 12 条

[1] 栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断 [J].

陈仁祥 ;

杨星 ;

杨黎霞 ;

王家序 ;

徐向阳 ;

陈思杨 .

振动与冲击, 2017, 36 (21) :125-131+137

[2] 卷积神经网络研究综述 [J].

李彦冬 ;

郝宗波 ;

雷航 .

计算机应用, 2016, 36 (09) :2508-2515+2565

[3] 基于深度学习理论的机械装备大数据健康监测方法 [J].

雷亚国 ;

贾峰 ;

周昕 ;

林京 .

机械工程学报, 2015, 51 (21) :49-56

[4] 基于信息熵的循环谱分析方法及其在滚动轴承故障诊断中的应用 [J].

黎敏 ;

阳建宏 ;

王晓景 .

振动工程学报, 2015, 28 (01) :164-174

[5] 基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究 [J].

唐贵基 ;

王晓龙 .

振动与冲击, 2014, 33 (01) :6-10

[6] S变换的时频分析特性及其改进 [J].

武国宁 ;

曹思远 ;

马宁 ;

刘建军 .

地球物理学进展, 2011, 26 (05) :1661-1667

[7] Rolling bearing fault severity identification using deep sparse auto-encoder network with noise added sample expansion [J].

Chen, Renxiang ;

Chen, Siyang ;

He, Miao ;

He, David ;

Tang, Baoping .

PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART O-JOURNAL OF RISK AND RELIABILITY, 2017, 231 (06) :666-679

[8]

Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state identification[J] . Chen Lu,Zhen-Ya Wang,Wei-Li Qin,Jian Ma.Signal Processing . 2017

[9] Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks [J].

Ince, Turker ;

Kiranyaz, Serkan ;

Eren, Levent ;

Askar, Murat ;

Gabbouj, Moncef .

IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, 2016, 63 (11) :7067-7075

[10]

Gearbox Fault Identification and Classification with Convolutional Neural Networks[J] . ZhiQiang Chen,Chuan Li,René-Vinicio Sanchez,Dong Wang.Shock and Vibration . 2015

← 1 2 →