基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法.pdf
《基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法.pdf》由会员分享,可在线阅读,更多相关《基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:录用日期:作者简介:张国栋()男硕士研究生:.通信作者:尹强()博士副教授:.:./.基于格拉姆角场和 的滚动轴承故障诊断方法张国栋尹 强羊 柳(南京理工大学 机械工程学院 南京)摘要:针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法 采用格拉姆角场对一维轴承振动数据重构保留原始数据信息的同时包含了时间相关性采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优 利用西储大学的轴承数据集进行试验验证试验结果表明该方法可自适应生成网络结构平均诊断精度
2、为 相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度关键词:格拉姆角场粒子群优化算法卷积神经网络滚动轴承故障诊断本文引用格式:张国栋尹强羊柳.基于格拉姆角场和 的滚动轴承故障诊断方法.兵器装备工程学报():.:.():.中图分类号:.文献标识码:文章编号:()():.:引言现代工业的不断发展使得机械设备趋向于大型化和复杂化增加了设备发生故障的概率 旋转机械在工业设备中占有极大的比重且滚动轴承因其机械效率高、承载力强、结构紧凑而被广泛使用但约 的旋转机械故障是轴承损坏引起的因此对轴承的健康检测与故障诊断具有重要意义 目前解析轴承的振动信号仍是获得轴承状态信息的主要方法 随着传感器技术的发
3、展采样频率和采样点数都有所提高设备运行数据呈现“大数据”态势且振动信号受本身振动特性和设备负载的影响呈现出非线性和非平稳性的特点增加了故障模式识别的难度深度学习算法因其具有强大的学习能力和深度特征提取能力而被广泛应用在故障诊断领域 等提出在传统卷积神经网络()模型的基础上添加了多种卷积跨步模式来提取不同尺度的信号特征并扩展了特征维度在行星齿轮箱的多种工况下故障分类准确率达到 向玲等提出基于残差网络和长短时记忆神经网络的并行神经网络结构融合残差网络提取的空间特征和长短时记忆神经网络提取的时间特征结果表明该方法可以准确识别故障种类 等先通过经验模态分解对轴承振动信号进行降噪处理后将一维重构信号通过
4、格拉姆矩阵转化为二维图像再通过 的分类实验证明经过格拉姆角场()重构后的振动数据能有效提升故障诊断的准确率上述深度学习算法中包含了大量的超参数超参数的选取对故障诊断的准确率有很大的影响 个人工选择的网络结构仅在全连接层的激活函数上选择不同但在 数据集上第 个 下的训练表现却有将近 倍之差文献 采用粒子群优化算法()优化 的卷积核数量、尺寸、步长池化核尺寸、步长以及 层的舍弃概率结果表明对超参数寻优后的 有较好的鲁棒性和准确性 文献对 进行优化提出了一种针对网络结构的编码方式使用 对 结构寻优降低了选择网络结构的主观性但是该算法没有考虑粒子当前速度更新方向是没有惯性权重的因此全局搜索能力欠佳受上
5、述文献启发先将一维轴承振动信号通过格拉姆矩阵转化为二维的格拉姆图像采用文献的网络结构编码方式结合线性权重的 更新网络结构选取最优的网络结构以提升轴承故障诊断的分类精度 一维振动信号 通过式()将振动幅值归一化 通过式()将笛卡尔坐标系下的振动信号转化到极坐标系下得到每个时间点下的极角 和极径 其中 为时间戳 为正则化常数 ()()()()()()()格拉姆矩阵的定义为 并对 个向量的内积做了式()的新定义 根据角度差与和分为格拉姆差场、格拉姆和场 格拉姆差场相较于格拉姆和场有更强的表征能力所以本文中采用格拉姆差场的编码方式 ()()()()()()()()()()()具体信号转化为格拉姆图如图
6、 所示 信号 ()()在 内采样频率为 转化为 的格拉姆矩阵 对原始信号进行下采样每 个数据点求平均值再对信号幅值归一化根据式()计算得到格拉姆矩阵 格拉姆编码完整的保留了时间序列信息此外还显示了数据的时间相关性 优化 结构算法.算法 是一种元启发式优化算法模拟鸟类觅食的过程由 和 于 年提出 每一个可能的解为 个粒子粒子只有速度属性且具备个体学习和社会学习的能力粒子在优化问题中对应的值为适应度多个粒子组成的集合为粒子群图 为该算法的流程图 在迭代的过程中粒子按照式()根据个体当前位置()、个体当前速度方向()个体最优位置 和全局最优位置 决定下一次迭代的速度大小和方向()并以此速度更新粒子位
7、置()以适应度值()判定粒子的新位置是否是最佳位置 其中 为惯性权重决定了当前粒子速度对下一步速度影响的大小 较大时全局搜索能力强局部搜索能力弱反之则局部搜索能力强全局搜索能力弱、分别代表个体学习和群体学习相对越大全局搜索能力强但是收敛速度慢而 相对越大粒子越快地趋向 过早地收敛陷入局部最优解()()()()()()()()兵 器 装 备 工 程 学 报:/./()()()()()()()()()()()()()()()()()图 信号到格拉姆图的转化过程.图 粒子群算法流程.算法 主要有卷积层()、池化层()和全连接层()堆叠而成 受生物视觉感受野的启发所以 多用于图像识别等领域 本质是通过
8、多个卷积核对原始数据进行卷积操作提取特征通过池化操作降低网络参数最后通过全连接层实现数据分类无偏置项的卷积操作如图 所示其数学原理可以用式()解释其中、分别表示第 层的输入和输出 表示卷积核的权重矩阵()为非线性激活函数 引入激活函数的目的是为了增加网络的非线性使得网络有更复杂的表达能力()图 无偏置项的卷积示意图.激活函数常用的有 函数和 函数 函数可用式()表示可以将卷积运算后的值压缩到但是 函数在 附近会导致梯度爆炸而在真实值太大或太小的情况下又会出现梯度消失 函数将真值小于 的部分全部输出为 真值大于 的部分直接输出提高了网络的稀疏性解决了 函数在真值大于 部分的梯度爆炸与梯度消失现象
9、且导数简单易求节约运算成张国栋等:基于格拉姆角场和 的滚动轴承故障诊断方法本 本文中采取的激活函数为 函数可用式()表示()()()()卷积层在对同一张输入特征图进行卷积操作时用同一个卷积核实现权值共享降低了网络参数此外可以对上一层输入通过多个卷积核卷积增加网络的表达能力实现特征的自动提取池化层主要是对上一层的输出进行下采样对输入的数据进行压缩达到减少运算的目的 常用的池化方式主要有最大池化和平均池化分别是选取特征图中池化感受野的部分的最大值、平均值输出组合成新的特征图的同时降低的图像尺寸.网络结构初始化及编码方式卷积层中的参数有卷积核大小、通道数、步长和补零池化层参数有池化方式(最大池化()
10、平均池化()、池化核大小、步长和补零全连接层主要参数有神经元个数为了使得算法可行初始粒子群之前做以下合理设定:)最大层数为 最小层数为)网络第 层为卷积层且输入通道为 最后一层为全连接层且神经元个数等于类别总数另外全连接层的数量为 层)卷积核尺寸分为、三种步长为 补零为()/为卷积核尺寸池化核尺寸为 步长为补零为 假设控制网络的深度兼顾网络的表达能力与运算复杂度 假设控制全连接层数全连接层数占比过多无法提取深层特征且网络参数呈爆炸式增长加大运算复杂度 假设控制池化层的个数池化层的个数过多会使得输出特征尺寸小于卷积核尺寸保证卷积操作不改变输出尺寸、池化操作将输出尺寸变为原尺寸的/易于控制池化层数
- 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 格拉姆角场 PSO CNN 滚动轴承 故障诊断 方法
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。