一维卷积神经网络实时抗噪故障诊断算法

论文摘要

针对旋转机械智能诊断方法计算量大和抗噪能力差的问题,在经典模型LeNet-5的基础上提出基于一维卷积神经网络的故障诊断算法.采用全局平均池化层代替传统卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;利用随机破坏后的时域信号进行训练以提高其抗噪能力;采用改进后的一维卷积核和池化核直接作用于原始时域信号,将特征提取和故障分类合二为一,通过交替的卷积层和池化层实现原始信号自适应特征提取,结合全局平均池化层完成故障分类.利用轴承数据和齿轮数据进行实验验证并对比经典模型LeNet-5、BP神经网络和SVM.结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,采用随机破坏输入训练策略可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断.通过t-SNE可视化分析说明了模型在特征学习上的有效性.

论文目录

• 1 卷积神经网络和LeNet-5
•   1.1 卷积神经网络
•     1.1.1 卷积层运算
•     1.1.2 池化层运算
•   1.2 LeNet-5及其应用现状
• 2 ACNNDM-1D故障诊断模型
•   2.1 ACNNDM-1D结构
•   2.2 ACNNDM-1D模型构建
• 3 旋转机械故障诊断实验
•   3.1 轴承故障诊断实验
•     3.1.1 输入破坏训练验证
•     3.1.2 输入样本破坏率选择
•     3.1.3 全局平均池化验证
•     3.1.4经典模型对比
•   3.2 齿轮箱故障诊断实验
•     3.2.1 破坏输入训练验证
•     3.2.2 特征学习验证
•   3.3 开源轴承数据集验证
• 4 结 论

文章来源

类型: 期刊论文

作者: 刘星辰,周奇才,赵炯,沈鹤鸿,熊肖磊

关键词: 故障诊断,卷积神经网络,实时诊断,抗噪诊断,旋转机械

来源: 哈尔滨工业大学学报 2019年07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: 同济大学机械与能源工程学院

分类号: TH17;TP183

页码: 89-95

总页数: 7

文件大小: 493K

下载量: 1251