基于多尺度卷积的轴承故障诊断研究.pdf
《基于多尺度卷积的轴承故障诊断研究.pdf》由会员分享,可在线阅读,更多相关《基于多尺度卷积的轴承故障诊断研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、基于多尺度卷积的轴承故障诊断研究何虹丽,余俊,邵力,陈建辉,许继欣(宁波市轨道交通集团有限公司运营分公司,浙江宁波31510 0)摘要:针对目前神经网络模型抗噪性、泛化性差的问题,提出一种基于多尺度卷积神经网络模型。该模型首先采用大卷积核进行特征提取,为后续网络层提供较大感受野的同时,还能对高频噪声进行抑制,并采用多分枝、多尺度卷积以提取不同尺度的特征,避免单一尺寸卷积核无法兼顾不同精细度的特征问题,增强网络表达能力。同时采用1x1卷积以较少参数量增加网络深度,提高其非线性表达能力,采用全局平均池化代替全连接层,以减少参数量,防止网络过拟合的发生,最后通过Softmax函数完成故障分类。通过实
2、验验证,该模型具有较好的抗噪性、泛化性以及实用价值。关键词:故障诊断;卷积神经网络;抗噪性;泛化性中图分类号:TH133.3;TP1830引言有数据统计显示,旋转机械中轴承出现故障的概率占总故障的1/3左右。因此,关于轴承故障诊断的研究具有非常重要的意义。基于数据处理的传统轴承故障诊断,主要通过时域分析、频域分析以及时频分析将信号时频特征映射到其他参数空间进而得到故障特征。然而基于传统信号分析与处理的轴承故障诊断方法,需要以大量信号处理知识为基础,非常依赖于专家经验。近年来深度学习方法快速崛起,为轴承故障诊断的研究提供了一个新的方向。由于卷积神经网络的强大的空间特征提取能力,避免了依靠人工进行
3、特征的提取,提高了故障诊断的可普及性。但基于卷积神经网络建立的故障诊断模型参数量较大,诊断效率低且抗噪性能差,很少能用于实际工程中。针对以上问题,本文提出了一种基于多尺度卷积神经网络模型,能够对高频噪声进行抑制2,还能采用多分枝、多尺度卷积以提取不同尺度的特征,避免单一尺寸卷积核无法兼顾不同精细度的特征问题,增强网络表达能力。同时采用1x1卷积以较少参数量增加网络深度,提高其非线性表达能力,采用全局平均池化代替全连接层,以减少参数量,防止网络过拟合的发生,最后通过Softmax函数完成故障分类。1理论基础1.1卷积层卷积层是卷积神经网络最重要的一层,卷积可以认为是一可靠性提升措施和方案,可以在
4、很大程度上提升现有网络的可靠性。另外,进行数字化网络架构设计时,应在分析数据流量负载的基础上进行“多域管理结构”设计,根据对象的功能、范围和操作特点等,将整个数字化系统通信网络分为若干个相对独立的分系统,一个分系统构成一个域,并且各个域之间可以通过标准的协议或中间件进行数据交换。这种网络架构可以缩小网络风暴的影响范围,降低故障发生概率,能够更加科学合理地防御网络风暴,同时也更符合核电厂安全第一的理念。86设备管理与维修2 0 2 3No10(上)文献标识码:BDOl:10.16621/ki.issn1001-0599.2023.10.28种有效提取图像特征的方法,一般会用一个正方形的卷积核,按
5、指定步长在输人特征图上滑动,遍历输人特征图中的每个像素点。每一个步长,卷积核会与输人特征图出现重合区域,重合区域对应元素相乘、求和再加上偏置项得到输出特征的一个像素点(图1)。1.2池化层池化层实际上是一种降采样,常见的池化函数有最大池化和平均池化两种形式(图2)。池化层具有特征不变性、特征降55132。工2245594233182144Input1】施耐德电气.B0700CA-AA.美国:施耐德电气Z.2018.2施耐德电气.B0700AZ-V.美国:施耐德电气Z.2017.3施耐德电气.B0700EJ-C.美国:施耐德电气Z.2017.4 张洪信.有限元基础理论与ANSYS应用M.北京:机
6、械工业出版社,2 0 0 9.5王常力,罗安.分布式控制系统(数字化)设计与应用实例M.北京:电子工业出版社,2 0 0 4.3316111-1b=1(-1)1+00+1 2+(-1)5+04+12+(-1)3+0 4+15+1=1图1卷积操作示意参考文献【编辑 吴建卿设计研究3312-414。4。9Output维(下采样)实现非线性(类似Relu)、扩大感受野、防止过拟合等特性。1.3全局平均池化层传统的卷积神经网络模型最后一层都是全连接层,参数个数非常之多,容易引起过拟合(如Alexnet),一个 CNN(Convolutio-nal Neural Networks,卷积神经网络)模型,大
7、部分的参数会被全连接层占用。为解决这个问题,于2 0 14年提出全局平均池化层概念。与传统的全连接层不同,全局平均池化层采用对每个特征图全局特征数据进行全局均值池化,这样每张特征图都可以得到一个输出,大大减少参数数量,能有效避免过拟合。另外,它还能较好地整合空间信息,使得数据特征图更好地与分类信息相对应。2模型方法2.1模型构建本文模型主要从准确度、泛化性以及轻量化的角度进行考虑,提出了一种基于多尺度卷积神经网络模型。该模型为后续网络层提供较大感受野的同时,还能抑制高频噪声,并采用多分枝、多尺度卷积以提取不同尺度的特征,避免单一尺寸卷积核无法兼顾不同精细度的特征问题,增强网络表达能力。同时采用
8、1x1卷积以较少参数量增加网络深度,提高其非线性表达能力,采用全局平均池化代替全连接层,以减少参数量、防止网络过拟合的发生,最后通过Softmax函数完成故障分类。2.2诊断流程模型故障诊断主要分为数据预处理、模型训练、模型验证以及模型测试4个部分。模型的故障诊断流程如图3所示。开始数据处理搭建网络模型初始化模型参数训练集训练模型特征提取Softmax分类H调整参数图3故障诊断流程2.3评价指标本文模型的损失函数选用交叉损失函数进行优化评价,交叉熵损失函数的数学模型见式(1)。因此,本模型采用准确率及损失值作为模型的评价指标。Los=-Zwo(2)lgm(z)其中,Loos表示损失值,w(z)
9、和m(z)分别表示样本z的预期结果、模型分类结果。3实验验证与分析3.1数据集介绍实验选用CWRU轴承数据集。驱动端轴承型号为设计研究SKF6205,采样频率为12 kHz,轴承损伤由电火花加工的单点损伤,损伤直径分为0.17 7 8 mm、0.35 5 6 m m 0.5 334m m,InputOutput012345Maximum pooling678图2池化操作过程结束输出结果计算评价指标测试模型是in?轴承损伤状态有内圈损伤、外圈损伤、滚动体损伤(均包含3种224578测试集验证集(1)数据集0AB007B014B021IR007IR014IR021OR007 OR014OR021n
10、ormalBB007B014B021IR007 IR014IR021OR007OR014OR021normalCB007B014B021IR007IR014IR021OR007OR014OR021normal设备管理与维修2 0 2 3No10(上)87损伤直径)以及正常状态共计10 种状态。本次实验选用不同载荷与转速构建数据集,可得每转采样点数n=,不同工况对应数据如表1所示。0/60表1不同数据集信息数据集载荷A1 hp(0.746 k W)B2 hp(1.492 kW)C3hp(2.238kW)从表1可以看出,3个数据集每转采样点数均在40 0 左右,为保障数据的有效性,样本长度应该大于
11、两个周期长度,因此样本长度定为10 2 4。另外,考虑到实验数据长度有限,而对于神经网络,数据量越多、型效果越好,因此采用重叠采样法,以保证实验样本数量的充足性。重叠采样法结构如图4所示。步长样本1图4重叠采样法结构示意该方法的主要思想为,按照一定的滑动步长,使得各样本之间有一定的重叠去采集样本,以有效扩充样本数量,不仅能有效解决神经网络中样本数据不足的问题,还能解决样本边缘信息丢失的问题。本次实验采用表1中的3种工况进行制作数据集,每类数据集中包含10 中轴承状态,分别对每种轴承状态取10 0 0 个样本,其中训练集、验证集、测试集之间比例采用7:2:1。数据集划分如表2 所示,对数据集采用
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 尺度 卷积 轴承 故障诊断 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。