基于CNN-SVM的深度卷积神经网络轴承故障识别研究

被引：173

作者：

胡晓依 ^{[1
]}

荆云建 ^{[2
]}

宋志坤 ^{[2
]}

侯银庆 ^{[2
]}

机构：

[1] 中国铁道科学研究院铁道科学技术研究发展中心

[2] 北京交通大学机械与电子控制工程学院

来源：

振动与冲击 | 2019年 / 38卷 / 18期

关键词：

卷积神经网络; 支持向量机; 振动信号; 故障识别;

D O I：

10.13465/j.cnki.jvs.2019.18.024

中图分类号：

TH133.3 [轴承]; TP18 [人工智能理论]; TP277 [监视、报警、故障诊断系统];

学科分类号：

082805 [农业机械化与装备工程]; 140102 [集成电路设计与设计自动化]; 140502 [人工智能];

摘要：

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。

引用

页码：173 / 178

页数：6

共 11 条

[1]

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

[2]

基于小波时频图和CNN的滚动轴承智能故障诊断方法 [J].

袁建虎 ;

韩涛 ;

唐建 ;

安立周 .

机械设计与研究, 2017, 33 (02) :93-97

[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]

混合智能故障诊断与预示技术的应用进展 [J].

雷亚国 ;

何正嘉 .

振动与冲击, 2011, 30 (09) :129-135

[5]

基于支持向量机的旋转机械故障诊断与预测方法研究 [D].

朱霄珣 .

华北电力大学,

2013

[6]

基于振动信号的机械故障特征提取与诊断研究 [D].

赵志宏 .

北京交通大学,

2012

[7]

基于EMD和支持向量机的旋转机械故障诊断方法研究 [D].

杨宇 .

湖南大学,

2005

[8]

Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization.[J].Feng Jia;Yaguo Lei;Na Lu;Saibo Xing.Mechanical Systems and Signal Processing.2018,

[9]

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,

[10]

Comparison of denoising schemes and dimensionality reduction techniques for fault diagnosis of rolling element bearing using wavelet transform [J].

Kumar H.S. ;

Pai P.S. ;

Sriram N.S. ;

Vijay G.S. ;

Patil M.V. .

International Journal of Manufacturing Research, 2016, 11 (03) :238-258

← 1 2 →