Print

卷积神经网络和峭度在轴承故障诊断中的应用

论文摘要

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。

论文目录

  • 1 典型的卷积神经网络结构
  • 2 故障诊断方法
  •   2.1 峭度准则
  •   2.2 数据到图像的转换方法
  •   2.3 本文方法
  • 3 工程实验
  •   3.1 不同工况下振动信号峭度变化趋势
  •   3.2 样本扩充
  •   3.3 生成故障图像
  •   3.4 卷积神经网络模型的训练和测试
  •     1)卷积层神经元数目
  •     2)优化器类型
  •     3)批次处理样本的数目
  •   3.5 实验结果
  •   3.6 与其他算法的对比实验
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 李俊,刘永葆,余又红

    关键词: 深度学习,滚动轴承,故障诊断,卷积神经网络,峭度

    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: 海军工程大学动力工程学院

    基金: 海军工程大学自然科学自主立项项目（425317K004,425317K137）

    分类号: TH133.33;TP183;TP277

    DOI: 10.13224/j.cnki.jasp.2019.11.014

    页码: 2423-2431

    总页数: 9

    文件大小: 469K

    下载量: 773

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/882d4bf703096375e7a4b3d5.html