![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于多域信息融合与深度分离卷积的轴承故障诊断网络模型.pdf
《基于多域信息融合与深度分离卷积的轴承故障诊断网络模型.pdf》由会员分享,可在线阅读,更多相关《基于多域信息融合与深度分离卷积的轴承故障诊断网络模型.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月机 电 工 程 .收稿日期:基金项目:内燃机可靠性国家重点实验室基金资助项目()作者简介:王同()男陕西咸阳人硕士研究生主要从事旋转机械故障诊断等方面的研究:.通信联系人:许昕女副教授硕士生导师:.:./.基于多域信息融合与深度分离卷积的轴承故障诊断网络模型王 同许 昕潘宏侠(.中北大学 机械工程学院山西 太原.中北大学 系统辨识与诊断技术研究所山西 太原)摘要:针对传统卷积神经网络()对滚动轴承振动信号的故障识别准确率不高这一问题提出了一种基于多域信息融合结合深度分离卷积()的轴承故障诊断方法 首先利用自适应噪声的完全集合经验模态分解()算法对轴承振动信号进行了分解然后利
2、用分解出的本征模态函数()的各个分量构建了多空间状态矩阵并将该多空间状态矩阵输入该深度分离卷积模型中进行了卷积训练同时在该深度分离卷积模型中添加了残差结构对数据特征进行了复利用并对卷积核进行了深度分离解决了深度模型的网络退化问题最后提出了一种空间特征提取方法对模型参数进行了修剪采用一种自适应学习率退火方法进行了梯度优化以避免模型陷入局部最优 研究结果表明:通过对多个轴承故障数据集进行对比分析可知 在轴承故障诊断方面的准确率和稳定性明显优于其他方法 的最高测试准确率为 平均测试准确率为.同时在测试集中的最大损失和平均损失分别为.和.该结果表明 在轴承故障诊断方面具有一定的优越性关键词:深度分离卷
3、积信息融合参数修剪残差网络卷积神经网络自适应噪声的完全集合经验模态分解本征模态函数多域信息融合结合深度分离卷积中图分类号:.文献标识码:文章编号:()(.):()().().().:()()()()引 言轴承是旋转机械装备中最重要的零部件之一 在旋转机械装备中很多机械装备的失效是由轴承故障引起的因此对轴承进行故障诊断是很有必要的为了避免轴承故障引起的损失人们一直在寻找有效的轴承故障诊断方法如各种机器学习算法利用机器学习算法的轴承故障诊断步骤一般为:先对采集到的信号进行前期的预处理之后经过人为的挑选特征将经过一系列处理的数据输入分类器进行识别张琛等人对原始信号进行了集合经验模态分解()将得到的
4、分量依据一定指标筛选重构结合变分模式分解()算法得到奇异值熵并根据其熵值大小判断轴承的故障类别王望望等人提取了故障轴承的时域、频域、时频域特征利用核主成分分析()和 分 布 领 域 嵌 入()算法对其进行了特 征 筛 选 将 数 据 输 入 近 邻 算 法()分类器中对轴承故障进行了有效识别 姚德臣等人对故障轴承的信号进行小波降噪后利用 得到了信号的本征模态函数提取了多尺度排列熵作为特征利用支持向量机()进行了故障分类在轴承故障诊断方面取得了较好的结果上述研究聚焦于传统的机器学习算法然而机器学习算法繁琐的人工特征提取步骤使其在当今生产业蓬勃发展的大数据时代难以继力 繁琐的步骤往往会造成人力、经
5、济、资源等方面的浪费实用功能欠佳且相同的特征处理手段在处理不同数据时效果不同 这都是基于机器学习的故障诊断手段面临的难题随着近年来计算机技术的发展深度学习算法应运而生其自动提取特征的特点深受研究者喜爱深度学习主要的特点是免除了繁琐的人工特征提取步骤并且达到了更高的准确率 其特点是将预处理信号作为深度学习模型的输入进行自动特征提取并将提取的特征输送给最后的全连接层实现分类目的在国内外研究中结合深度学习寻找有效的轴承故障诊断方法成了众多学者研究的热点许多学者在此方面做了大量工作 等人提出了一种无需经过信号预处理的基于深度收缩残差网络的故障诊断方法采用该方法对神经网络块进行了集成自适应地确定了阈值的
6、策略实现了较强的特征学习能力最终在各类型的高振动噪声故障诊断中展现了较高的诊断精度 等人提出了一种基于物理信息的长短期记忆网络()的超参数选择策略在变速箱故障诊断中采用该方法取得了良好的实验结果 等人提出了一种多尺度卷积神经网络结合功能注意力机制的模型该模型有着较好的泛化能力在轴承故障诊断上有着较高的准确率和较好的稳定性 等人提出了一种归一化卷积神经网络采用批量归一化的操作消除了特征分布的差异并通过实验验证了该方法的优越性 等人利用元学习和一般的监督学习相混合的方式考虑了面对少样本数据的故障诊断策略使用较少的样本对齿轮箱进行故障诊断取得了较好的实验结果笔者研究了这些文献后发现结合了深度学习的轴
7、承故障诊断方法较之传统方法有更简便的流程以及更高的故障识别准确率近年来研究者们也提出了深度学习融合信号在时域、频域和时频域的故障诊断方法 在轴承故障诊断工作中对采集到的振动信号进行一定的预处理往往会挖掘出隐藏在信号中的有用特征 但时域包含的信息有限使用单一的原始信号要达到更高的识别要求也较为困难因此 等人对信号进行了傅里叶变换将变换后的结果输入残差网络模型通过在模型中添加注意力机制取得了比传统残差网络更好的诊断结果 等人结合 和 提出了一种端对端的复合故障诊断方法 等人获取了原信号的时域、频域和时频域信息结合深度迁移学习策略使构建的故障诊断模型取得了优异的故障识别结果 等人构建了一第 期王 同
8、等:基于多域信息融合与深度分离卷积的轴承故障诊断网络模型种连续小波变换结合局部二进制卷积网络的故障诊断模型其利用局部二进制卷积层代替传统卷积层的方法加快了网路的训练速度减少了过拟合现象 袁彩艳等人提取了原始信号的多域信息对传统的残差网络进行了密集式连接并结合注意力机制对优势特征进行了加权取得了比传统网络模型更好的轴承故障识别结果 叶壮等人利用经验模态分解算法对信号进行了预处理将振动信号转换为图像数据并使用其提出的基于多通道加权的卷积神经网络充分提取了原信号的多尺度信息发挥了卷积网络强大的图像特征提取能力以上方法在故障诊断领域发挥了一定的作用但在面临实际工业环境时仍有以下不足:)故障诊断准确率较
9、低)模型收敛速度不足)无法有效平衡模型深度和训练参数量基于此笔者提出一种基于多域信息融合结合深度分离卷积()的轴承故障诊断方法首先考虑到经验模态分解()算法模态混叠且 算法产生的 分量仍有噪声混杂情况采用 算法对信号进行分解得到原信号的时域空间状态矩阵然后利用傅里叶变换和小波变换进一步得到原信号频域和时频域的空间状态矩阵对各空间状态矩阵进行信息融合后作为神经网络的多通道输入接着利用所提出的卷积核深度分离方法对网络进行训练同时在训练过程中利用自适应学习率退火算法对网络进行优化以避免模型陷入局部最优最后引入残差连接以避免网络退化并利用空间特征提取方法对模型参数进行修剪后分类输出 多域信息融合.原理
10、 通过将信号分解为一系列本征模态表征信号在各个尺度下的信息 但其易产生模态混叠即 分量中包含了多种频率或一种频率出现在多个 分量中为解决 的模态混叠问题 等人提出对原信号添加高斯白噪声序列再对原信号进行 分解求平均但添加的噪声并不能在最后的分解中被完全消除 算法在 的基础上进行了优化该算法流程如下:步骤 对信号添加自适应高斯白噪声序列()()添加了自适应白噪声序列的信号可表示为:()()()()()式中:()为原信号为噪声系数()为方差为 的高斯白噪声序列步骤 对添加了自适应噪声序列的信号()进行 分解对每次分解出的第一个 分量求平均得到第一个 分量()其表达式为:()()式中:为每次分解得到
11、的第一个 分量步骤 用原信号减去得到的第一个 分量可得残差()其表达式为:()()()()式中:()为原信号为得到的第一个 分量()为残差步骤 对得到的残差()添加自适应噪声序列得到 ()再用 分解求平均的方式得到第二个 分量其表达式为:()()()式中:为噪声系数(.)为一个函数表示提取 分解的第 个 步骤 对得到的()重复上述步骤依次得到各个 分量直到最后得到的残差不超过两个极值点为止最终分解可得 个 分量其表示为 构建的时域空间状态矩阵如下:().多域信息融合原理为了充分利用原信号携带的信息笔者提出多域信息融合的理论 该方法结合时域、频域、时频域对信号携带的信息进行表征首先利用 分解时域
12、信号得到各阶 分量然后利用筛选出的 分量构建时域空间状态矩阵最后采用傅里叶变换和小波变换得到信号的频域和时频域空间状态矩阵笔者对获得的各域空间状态矩阵在通道方向进行融合合并将合并后的数据作为神经网络的输入进行机 电 工 程第 卷故障诊断笔者对构建的时域空间状态矩阵进行傅里叶变换得到的频域空间特征矩阵可记为 其表达式如下:()通过对构建时域空间状态矩阵进行小波变换得到时频域空间特征矩阵可记为 其表达式如下:()对得到的多域信息、进行通道融合得到信息融合矩阵 其可记为 .深度分离卷积传统的 模型需要进行逐层训练 网络结构使多通道并行卷积成为了现实 笔者提出的深度分离卷积是对 网络模型的进一步提升
13、网络结构如图 所示图 网络结构.在笔者提出的深度分离卷积中传统的 、卷积核被深度分离为 、以及 、等多个卷积核 经过实验验证该方法极大减少了训练参数和计算量并提升了网络训练速度由于数据分布存在差异笔者在该模块中加入批归一化()保证了数据的分布一致性解决了模型在训练过程中出现的易饱和、信息丢失以及在梯度优化过程中的梯度消失等现象充分发挥了激活函数的作用由于模型深度过深易导致网络退化笔者设计添加了残差连接对前层网络提取的特征进行复利用增强了网络的稳定性该模块具体结构如图 所示图 深度分离卷积.自适应学习率退火在训练过程中当训练进行到一定程度网络训练的准确率将不再上升损失不再下降此时网络模型可能陷入
14、了局部最优的情况 为解决该问题需要对梯度优化时的学习率进行调整针对网络易收敛到局部极值点的问题笔者提出采用自适应学习率退火的方法优化网络训练 该方法通过监测训练时的损失变化自适应地对学习率进行调节其设计思想是对训练损失进行持续监测当训练损失保持不变持续特定 后优化器的学习率将自适应地减少为原来的/然后优化器将利用新的学习率进行梯度更新表达式如下:()式中:为学习率衰退因子为第 次 的学习率第 期王 同等:基于多域信息融合与深度分离卷积的轴承故障诊断网络模型.空间特征提取将卷积层提取出的特征输入全连接层分类时过多的参数会导致全连接层训练缓慢过少的参数则会丢失有用特征 为解决该问题笔者提出一种对空
- 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 信息 融合 深度 分离 卷积 轴承 故障诊断 网络 模型
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
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。