Print

一种多尺度卷积自编码网络及其在滚动轴承故障诊断中的应用（英文）

论文摘要

针对旋转机械故障特征需要人工提取导致故障识别困难的问题,在传统卷积自编码网络基础上,提出一种一维多尺度卷积自编码的故障诊断模型.该模型首先使用并行、不同尺度的卷积核和反卷积核对输入信号进行特征提取和重构,然后将多尺度卷积核所提取到的特征图作为分类器的输入,最后用带标签的数据对全模型的参数进行微调.通过一组模拟故障信号数据和2组滚动轴承故障实验数据对一维多尺度卷积自编码模型进行验证,结果显示该模型可分别达到99.75%、99.3%和100%的诊断精度.此外,将一维多尺度卷积自编码模型与传统机器学习、卷积神经网络和卷积自编码网络进行诊断精度和重构误差的比较,最终结果表明所提出模型对于滚动轴承故障数据有更好的识别效果.

论文目录

  • 1 Theory of Convolutional Auto-Encoder
  •   1.1 Convolutional neural network
  •     1.1.1 Convolutional layer
  •     1.1.2 Pooling layer
  •   1.2 Convolutional auto-encoder
  • 2 Proposed Fault Diagnosis Model
  •   2.1 1DMSCAE model structure
  •   2.2 Construction of 1DMSCAE
  •   2.3 Process of concrete realization
  • 3 Experimental Verification
  •   3.1 Simulation signal fault diagnosis and analysis
  •     3.1.1 Simulation signal description and analysis
  •     3.1.2 Model parameter setting
  •     3.1.3 Simulation signal reconstruction and diagnosis results
  •   3.2 Bearing fault diagnosis experiment 1
  •     3.2.1 Experimental conditions and network parameter selection
  •     3.2.2 Experimental results and analysis
  •   3.3 Bearing fault diagnosis experiment 2
  • 4 Conclusions

    • 文章来源

    类型: 期刊论文

    作者: 丁云浩,贾民平

    关键词: 故障诊断,深度学习,卷积自编码网络,多尺度卷积核,特征提取

    来源: Journal of Southeast University(English Edition) 2019年04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: 东南大学机械工程学院

    基金: The National Natural Science Foundation of China(No.51675098)

    分类号: TP181;TH133.33

    页码: 417-423

    总页数: 7

    文件大小: 2060K

    下载量: 147

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/8725d76b526175fd6b821ba9.html