基于卷积神经网络的层级化智能故障诊断算法

被引：62

作者：

曲建岭 ^{[1
]}

余路 ^{[1
,2
]}

袁涛 ^{[1
]}

田沿平 ^{[1
]}

高峰 ^{[1
]}

机构：

[1] 海军航空大学青岛校区航空仪电控制工程与指挥系

[2] 海军潜艇学院航海观通系

来源：

控制与决策 | 2019年 / 34卷 / 12期

关键词：

卷积神经网络; 深度学习; 层级化故障诊断; 滚动轴承; 振动信号;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP277 [监视、报警、故障诊断系统]; TH133.33 [滚动轴承];

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：

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network, CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis, CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.

引用

页码：2619 / 2626

页数：8

共 18 条

[1]

A novel deep autoencoder feature learning method for rotating machinery fault diagnosis.[J].Haidong Shao;Hongkai Jiang;Huiwei Zhao;Fuan Wang.Mechanical Systems and Signal Processing.2017,

[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]

Construction of hierarchical diagnosis network based on deep learning and its application in the fault pattern recognition of rolling element bearings.[J].Meng Gan;Cong Wang;Chang׳an Zhu.Mechanical Systems and Signal Processing.2016,

[4]

A new multiscale noise tuning stochastic resonance for enhanced fault diagnosis in wind turbine drivetrains [J].

Hu, Bingbing ;

Li, Bing .

MEASUREMENT SCIENCE AND TECHNOLOGY, 2016, 27 (02)

[5]

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

[6]

A review on empirical mode decomposition in fault diagnosis of rotating machinery [J].

Lei, Yaguo ;

Lin, Jing ;

He, Zhengjia ;

Zuo, Ming J. .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2013, 35 (1-2) :108-126

[7]

Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network.[J].Huaqing Wang;Peng Chen.Computers & Industrial Engineering.2010, 4

[8]

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].