基于CNN-DE-SVM的滚动轴承故障诊断研究.pdf
《基于CNN-DE-SVM的滚动轴承故障诊断研究.pdf》由会员分享,可在线阅读,更多相关《基于CNN-DE-SVM的滚动轴承故障诊断研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、Microcomputer Applications Vol.39,No.9,2023文章编号:10 0 7-7 57 X(2 0 2 3)0 9-0 0 38-0 4基金项目基于CNN-DE-SVM的滚动轴承故障诊断研究微型电脑应用2 0 2 3年第39 卷第9 期梁川,陈雪军*(华润江中制药集团有限责任公司,江西,南昌330 0 9 6)摘要:滚动轴承是各类旋转机械中最为重要的元件之一,若滚动轴承在机械设备运行过程中发生故障又无法及时判断出故障,所造成的连锁反应会对整条生产线产生影响,从而给企业造成经济损失。为了及时判断出滚动轴承所发生的故障,提出一种基于卷积神经网络(CNN)和差分进化算
2、法(DE)优化支持向量机(SVM)的故障诊断模型(CNN-DE-SVM),针对滚动轴承的典型故障开展研究。结果表明,CNN-DE-SVM模型拥有较高的特征提取性能与故障诊断精度。关键词:卷积神经网络;差分进化算法;滚动轴承;故障诊断;支持向量机中图分类号:TP306Research on Fault Diagnosis of Rolling Bearing Based on CNN-DE-SVM(China Resources(Holdings)Jiangzhong Pharmaceutical Group Co.,Ltd.,Nanchang 330096,China)Abstract:The
3、 rolling bearing is the most important component in all kinds of rotating machinery,and is widely used in modernindustrial equipments.If the rolling bearing fails in the process of mechanical equipment operation,and the failure can not betimely judged,the chain reaction caused will affect the whole
4、production line,thus cause huge economic losses to the enter-prise.In order to detect rolling bearing faults in time,convolution neural network(CNN)and differential evolution(DE)algo-rithm are proposed in this paper.An optimized support vector machines(SVM)fault diagnosis model(CNN-DE-SVM)ispresente
5、d,and is used to study typical rolling bearing faults.The research results show that the CNN-DE-SVM model has highfeature extraction performance and fault diagnosis accuracy,and can be extended and applied to the measured data of rollingbearings in enterprise production.Key words:convolution neural
6、network;differential evolution;rolling bearing;fault diagnosis;SVM0引言随着科学技术的不断进步,人类社会的生产力水平也发展到了一个新的阶段。现代工业体系相比传统工业体系有着更高的生产效率,但高度的集成化也导致现代工业体系中每一件机械甚至每一个部件都与整体的生产息息相关。因此,为了保证工业系统的正常运作,故障诊断技术已然成为现代工业体系中的关键组成部分1。滚动轴承作为工业系统中使用最为广泛的机械部件之一,一旦在运行过程中出现故障,轻则影响自身所在的机械设备,重则传导至整个生产线。因此,对滚动轴承开展故障诊断研究有重要的工程意义。张
7、柯等 2 提出了一种基于多模态注意力机制的卷积神经网络,并利用小波变换对原始数据进行处理,结果表明此模型可以有效地识别变工况下的各类轴承故障,在实际应用中也取得了较好的结果。LIU等 3I提出了一种改进的傅里叶变化,并利用此方法结合多尺度排列嫡提取故障特征,最后利用BP神经网络实现故障状态的识别。基金项目:江西省科技厅2 0 2 2 年重大研发专项0 3及5G项目(2 0 2 2 4ABC03A15)作者简介:梁川(196 7 一),男,本科,高级工程师,研究方向为电子信息工程。通信作者:陈雪军(1990 一),男,本科,工程师,研究方向为智能制造。38文献标志码:ALIANG Chuan,C
8、HEN Xuejun*滚动轴承故障大致归类为内圈、外圈、滚动体和保持架四大类典型故障。因此,本文基于滚动轴承的典型故障开展研究,以公开滚动轴承数据集为对象,使用本文所提出的故障诊断模型进行验证,从而表明此模型具有推广企业滚动轴承自测数据集的潜力。文献 2-3 给出的研究都是以人工智能算法为基础的故障诊断研究,这是目前的主流方法,但上述故障诊断模型在特征提取能力或诊断精度上都存在一定的短板。首先,特征提取是故障诊断中的关键步骤,决定了诊断精度的上限。现有诊断模型大多都是利用信号分析方法进行特征提取,如短时傅里叶变化、功率谱、小波包变换等 4。但这些信号分析方法都有一定的局限性,如短时傅里叶变换不
9、适用于频率变化较大的信号、小波包变换需要预先选择基函数等问题,从而影响整个诊断模型的适用性。其次,人工智能算法如支持向量机、随机森林和聚类算法等,都包含需要调节的参数。这些超参数的设置如果不恰当,将会极大地降低模型的性能。如果利用人工手动调节这些参数,需要花费更多的人力成本,同时也降低了模型的鲁棒性。Microcomputer Applications Vol.39,No.9,2023针对上述问题,本文提出一种基于CNN-DE-SVM的故障诊断模型。首先,利用CNN强大的特征提取能力,从原始的轴承数据中提取出抽象特征,再将此特征输入DE-SVM故障诊断模型中。其次,利用差分进化算法自适应调节S
10、VM中关键的2 个参数惩罚因子C和核函数参数,从而使得SVM拥有更高的诊断精度。最后,设置一组对比实验,验证CNN的特征提取能力与DE算法的优化效果,从而表明所提出的CNN-DE-SVM模型拥有更高的工程应用价值,摆脱了现有模型需要人工参与的缺点,在节约人力成本的同时提高了模型的诊断精度。1卷积神经网络卷积神经网络是目前使用最为广泛的神经网络模型之一,在姿态识别和图像分析等领域都有应用5-6 。CNN的优异性能主要得益于其强大的特征提取能力,原始数据输入CNN后,会经过反复的卷积和池化操作,将原本可解释的原始数据转换为不可解释的抽象特征。虽然人工无法识别抽象特征所具有的意义,但CNN的全连接层
11、可以从中获取特征与标签所存在的关系,进而建立分类模型实现对应的功能。但全连接层的分类能力较弱,因此本文将卷积层和池化层所提取出的抽象特征输入SVM中,从而实现故障诊断的功能。卷积神经网络的核心就是卷积层,由多个卷积核组成,通过卷积运算,卷积核会得到新的特征图,然后进行非线性计算 7 。在进行卷积操作之前,CNN首先会将数据的结构进行重组。本文使用二维CNN模型进行特征提取,因此需要将原始数据重构为数据矩阵的形式,再利用卷积核扫过这个数据矩阵,进行乘法运算后得到特征图并通过激活函数激活输出至下一层 8 ,数学公式如下:M,=Z(a,?k)+b:i1式(1)中,为卷积运算,a;为输入卷积核的特征向
12、量,k;为卷积核的权值,b为卷积核对应的偏置,M,为卷积层的输出,i为对应的层数。计算出来的特征图还需要经过非线性激活,本文选用Sigmoid函数进行激活。通过卷积层得到的特征图再输人池化层中,用于降低数据维度,同时也能减少过拟合的风险。池化层的具体降维方法有许多,本文使用最大值池化法,即从所框定的范围内选择数值最大的特征,数学表达式如下:R=max M;式(2)中,max为池化运算,R为池化层的输出。2DE-SVM模型2.1SVM基本原理支持向量机是在统计学的基础上所形成的一种人工智能算法,本质上是一种二分类方法,利用超平面使两类样本分开。它的主要优势表现在收敛速度和性能上,在小样本、高维度
13、的情况下仍具有较强的泛化能力。为了使得此超平面有最好的鲁棒性,SVM需要样本中距离超平面最近的向量与超平面的距离最远。如此一来便基金项目可以最大程度上保证超平面设置的合理性。惩罚因子C和核函数参数对SVM最终的分类结果有着直接的影响。因此,合理且高效地确定出它们的取值对于提高SVM的工程应用价值有着关键的作用。2.2DE-SVM模型的构建差分进化算法是一种进化算法,最早是由STORN等 9于2 0 世纪9 0 年代所提出的。与其他类似的算法相比,DE算法最显著的特点是控制参数较少,仅有两个。因此,算法的可操控性强,且寻优能力优异。本文利用DE算法寻优SVM参数的取值,其具体的模型构造流程如下。
14、(1)初始化种群DE算法的第一步为构造初始化种群,即在搜索空间中随机生成一系列的初始个体向量,可表示为C_r a n d(o,1)(U c-V c)q:LY:-Lrand(o,1)X(U,-V,)式(3)中,9:代表初始种群中的第i个个体向量,个体向量的维度为2,由SVM中的超参数C和所组成。Uc和Vc为惩罚因子取值范围的上限和下限,U,和V,为核函数参数取值范围的上限和下限。文献 10 指出取值范围在(0,10 0 的区间内为宜,因此本文设置Uc=U,=10 0,V c=V,=0.0 1。rand(0,1)为随机生成的0 至1上的实数。本文设置初始种群中个体向量的个数为30,即依据式(4)随
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN DE SVM 滚动轴承 故障诊断 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。