基于Dropout-CNN的滚动轴承故障诊断研究

论文摘要

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络（Dropout-CNN）结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率高达99. 5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。

论文目录

• 1 卷积神经网络
•   1.1 卷积神经网络的结构
•     1.1.1 卷积层
•     1.1.2 池化层
•     1.1.3 全连接层和输出层
•   1.2 卷积神经网络的训练过程
•   1.3 Dropout层
• 2 基于Dropout-CNN的滚动轴承故障诊断方法
• 3 实验验证
•   3.1 实验数据
•   3.2 实验结果分析
• 4 结语

文章来源

类型: 期刊论文

作者: 张文风,周俊

关键词: 滚动轴承,故障诊断,卷积神经网络,深度学习,振动信号,特征提取

来源: 轻工机械 2019年02期

年度: 2019

分类: 工程科技Ⅰ辑,工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 上海工程技术大学机械与汽车工程学院

分类号: TH133.33;TP18

页码: 62-67

总页数: 6

文件大小: 1284K

下载量: 534