基于改进型深度网络数据融合的滚动轴承故障识别

论文摘要

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。

论文目录

• 1 CNN卷积神经网络算法原理
•   1.1卷积层与池化层
•   1.2全连接层与分类器
•   1.3模型训练与优化算法
•   1.4模型的优化提升
• 2滚动轴承故障诊断数据集
•   2.1实验数据集的处理
•   2.2振动信号时域波形
• 3卷积神经网络模型设计与实验验证
•   3.1卷积网络架构设计
•   3.2实验验证
•   3.3模型评估与实验结果可视化
•   3.4传统智能诊断方法对比
• 4结论

文章来源

类型: 期刊论文

作者: 冯新扬,张巧荣,李庆勇

关键词: 深度学习,卷积神经网络,故障识别,振动信号,滚动轴承,特征提取

来源: 重庆大学学报 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 河南财经政法大学计算机与信息工程学院,山东大学青岛校区公共(创新)实验教学中心,山东大学信息科学与工程学院

基金: 国家重大科学仪器设备开发专项项目(2012YQ20022407),河南省科技攻关项目(122102210387),河南省教育厅科技攻关项目(13B52090)~~

分类号: TH133.33;TP18

页码: 52-62

总页数: 11

文件大小: 578K

下载量: 339