![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于多尺度卷积神经网络的滚动轴承故障诊断方法研究.pdf
《基于多尺度卷积神经网络的滚动轴承故障诊断方法研究.pdf》由会员分享,可在线阅读,更多相关《基于多尺度卷积神经网络的滚动轴承故障诊断方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、第5 5 卷第3 期2023年5 月智能物联技术Technology of IoT&AlVol.55,No.3May,2023智能与算法基于多尺度卷积神经网络的滚动轴承故障诊断方法研究丛旖文(中国电子科技南湖研究院,浙江嘉兴3140 0 2)摘要:针对滚动轴承提取故障特征时容易被噪声干扰、依赖人工经验等问题,本文提出一种基于多尺度卷积神经网络(MCNN)的滚动轴承故障诊断方法。该方法首先利用多尺度数据预处理方法滤除振动信号中的高频噪声并进行数据增强,然后把多个时间尺度的振动信号输入到不同尺度下的一维卷积神经网络中,利用不同尺度的CNN提取滚动轴承振动信号中的不同特征,并将特征进行融合,从而得到
2、滚动轴承更为全面的特征。该方法通过转子实验台验证,实验结果表明基于MCNN的滚动轴承故障诊断方法可以准确诊断出滚动轴承的故障类型,准确率高达10 0%。关键词:多尺度预处理;卷积神经网络;故障诊断;滚动轴承【中图分类号】TP183【文献标识码】A【文章编号】2 0 9 6-6 0 5 9(2 0 2 3)0 3-0 2 8-0 6Research on Fault Diagnosis Method of Rolling Bearings Based onMulti-Scale Convolution Neural NetworkCONG Yiwen(China Nanhu Academy of
3、 Electronics and Information Technology,Jiaxing 314002,China)Abstract:Aiming at the problems that rolling bearings are easily disturbed by noise and rely on manual experiencewhen extracting fault features,a rolling bearing fault classification method based on multi-scale convolution neural networkwa
4、s proposed in this chapter.In this method,the vibration signal is filtered out by multi-scale data preprocessing methodand the data is enhanced,then the rolling bearing vibration signals of multiple time scales are input into one-dimensionalconvolution neural network with different scales.Different
5、features of rolling bearing vibration signals are extracted by CNNof different scales,and the features are fused to obtain more comprehensive features of rolling bearings.The method wasverified by the rotor test bench,and the experimental results showed that the rolling bearing fault classification
6、methodbased on MCNN could accurately diagnose the fault types of rolling bearings,and the accuracy was 100%.Key words:multi-scale preprocessing;Convolutional Neural Networks;fault diagnosis;rolling bearings发安全生产事故,危害生命安全。作为旋转机械中的核心部件之一,滚动轴承的0引言随着现代工业的不断发展,旋转机械不断向着高精度、高负载、高转速的方向发展,应用也越来越广泛。同时,旋转机械时常处
7、于复杂恶劣的运行环境中,很容易导致机械设备出现故障。一旦发生故障,轻则导致系统停止运行,造成经济损失,重则引主要作用是支撑转动的轴和轴上其他零件,保证轴在运行中的位置精度及旋转精度。滚动轴承的运行状态直接影响旋转机械的运行状态。一旦滚动轴承发生故障,将会影响整个设备的运转,所以应尽早发现滚动轴承的故障,从源头杜绝事故的发生。因此,收稿日期:2 0 2 2-11-17作者简介:丛旖文(19 9 6-),女,辽宁沈阳人,硕士研究生,研究方向:模式识别、人工智能、同时定位与建图。28:丛旖文:基于多尺度卷积神经网络的滚动轴承故障诊断方法研究堆叠预训练式深度神经网络特征提取小波变换输入快速傅里叶变换信
8、号统计学特征经验模态分解特征降维主成分分析独立成分分析自编码器分类器支持向量机BP神经网络贝叶斯分类最近邻分类诊断结果卷积神经网络(端到端式)图1滚动轴承故障诊断方法概述Figure 1 Overview of rolling bearings fault diagnosis methods对滚动轴承的故障诊断十分重要。滚动轴承故障诊断方法概述如图1所示。传统的滚动轴承故障诊断方法存在两个问题:一是过于依赖经验,一般通过分析滚动轴承振动信号的频谱图并结合特征提取算法来进行,难以跟上工业现代化的步伐;二是滚动轴承的实际运行场景噜杂,运行工况复杂,故障特征容易被轴承运行时产生的噪声所掩盖,难以提取
9、到鲁棒性故障特征 3。为了解决以上两个问题,本文提出一种基于多尺度卷积神经网络(Multi-scale Convolution Neural Network,MCNN)的滚动轴承故障诊断方法。1多尺度故障分类模型1.1多尺度数据预处理传统的故障诊断方法往往只把滚动轴承原始振动信号作为输入。这样会存在三个问题:(1)仅用原始振动信号会造成振动信号尺度单一,导致数据特征提取不全面;(2)振动信号中一般伴随着随机噪声的干扰,容易影响诊断结果;(3)振动信号数据较少,而数据量的增加可以提高网络的泛化性。因此,本文提出一种多尺度数据预处理方法,通过对振动信号原始数据进行处理,从而得到不同尺度的振动信号,
10、让接下来的网络提取到更为全面的特征。通过多尺度数据预处理也可以在一定程度上滤除掉振动信号中的高频噪声。同时,经过多尺度数据预处理的振动信号在数量上得到了翻倍的增长,这使模型的泛化能力有了很大的提高。如图2 所示,该方法主要通过在原始振动信号上利用不重叠窗口的移动来计算算术平均值,从而得到不同尺度的振动信号。S=2X2X3X4 X5X6y2.1y2.2S=3X1x2X3x4y3,1y3,2图2 多尺度数据预处理方法Figure 2 Multi-scale data preprocessing method多尺度数据预处理的过程如式(1)所示:jsx,1j立Sn=(-1)s+1式中:N表示原始振动
11、信号所输入的长度,s是多尺度数据预处理的尺度数;表示经过处理之后的数据排序;xn是原始振动信号的第n个值;ys,为多尺度数据预处理的输出值。经过多尺度数据预处理后的数据长度为N/s。经多尺度数据预处理之后的滚动轴承振动信号如图3所示。1.2卷积神经网络结构卷积神经网络(Convolutional Neural Network)的结构如图4所示,其主要组成部分具体如下。(1)卷积层卷积层是卷积神经网络的核心层,计算量占比最高,其参数由一些可学习的滤波器组成。由于使用同一个滤波器,卷积层中的神经元与周围所有神29Xnxm+1y2,3Y2j=(x,+xn+1)/2X6Xnn+1Xn+23,=(x,+
12、xn+I+xn+2)/3(1)S智能物联技术0.250.00-0.25060012001800240030000.250.000.250.250.00S-0.25060012001800240030000.250.00-0.2506001200180024003000图3多尺度数据预处理后的滚动轴承信号Figure 3 Rolling bearing signals after multi-scale data preprocessing深度高度宽度输入输出图4卷积神经网络Figure 4 Convolutional neural network经元共享参数,因此卷积神经网络具有权值共享的特性
- 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 神经网络 滚动轴承 故障诊断 方法 研究
![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。