Print

基于卷积门控循环网络的滚动轴承故障诊断

论文摘要

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。

论文目录

  • 1 基础理论
  •   1.1 卷积网络
  •     1.1.1 卷积层
  •     1.1.2 激活层
  •     1.1.3 池化层
  •   1.2 门控循环单元
  •     1.2.1 更新门
  •     1.2.2 重置门
  •     1.2.3 候选隐含状态运算
  •     1.2.4 隐含状态运算
  • 2 故障诊断模型
  •   2.1 模型的前馈网络结构
  •   2.2 模型的前馈运算过程
  •   2.3 模型的优化
  • 3 实验分析
  •   3.1 实验数据
  •   3.2 模型参数设置
  •   3.3 实验结果分析
  •     3.3.1 对比算法描述
  •     3.3.2 小样本实验结果
  •     3.3.3 模型的泛化性能分析
  •     3.3.4 模型结果可视化
  •   3.4 圆锥滚子轴承故障数据实验
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 杨平,苏燕辰

    关键词: 滚动轴承,故障诊断,卷积网络,门控循环单元,重叠池化

    来源: 航空动力学报 2019年11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: 西南交通大学机械工程学院

    分类号: TP183;TH133.33

    DOI: 10.13224/j.cnki.jasp.2019.11.015

    页码: 2432-2439

    总页数: 8

    文件大小: 353K

    下载量: 321

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/035c91d43aa4f2d2938d2b3e.html