一种基于CNN的滚动轴承退化指标构建方法.pdf
《一种基于CNN的滚动轴承退化指标构建方法.pdf》由会员分享,可在线阅读,更多相关《一种基于CNN的滚动轴承退化指标构建方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、 年 月第 卷 第 期机床与液压 :本文引用格式:胡远罕,潘玉娜,谢鲲,等一种基于 的滚动轴承退化指标构建方法机床与液压,():,():收稿日期:基金项目:国家重点研发计划();上海应用技术大学跨学科研究生团队()作者简介:胡远罕(),男,硕士研究生,研究方向为振动信号分析、故障诊断。:。通信作者:潘玉娜(),女,博士,讲师,研究方向为振动信号分析、故障诊断。:。一种基于 的滚动轴承退化指标构建方法胡远罕,潘玉娜,谢鲲,魏婷婷(上海应用技术大学轨道交通学院,上海;上海应用技术大学机械工程学院,上海)摘要:针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端
2、的滚动轴承性能退化指标构建方法。该方法在 的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。关键词:滚动轴承;退化指标;卷积神经网络中图分类号:,(,;,):,:;前言当代工业中的机械设备大都装配有一定量的滚动轴承。滚动轴承作为机器中的精密部件极易受到损伤。其工作状态失衡是机械设备发生故障的重要原因之一。根据有关人员的相关统计,滚动轴承作为关键零部件的机械设备中,机械振动产生故障的概率是,而轴承产生故障的概率就占有了
3、。因此对滚动轴承进行状态评估,掌握其各阶段的性能退化状态是保证机械设备正常运行的关键。常见的信号特征提取方法有时域分析、频域分析、时 频 分 析 如 经 验 小 波 变 换 等。、提出了过零特征的提取方法,可以直接从时域振动信号提取出过零特征。钟先友等提出一种可以对振动信号进行降噪处理的新时频分析法,该方法可以在降噪的基础上同时有效提取出信号时域和频域的局部信息特征。陈亚农等在分析了经验模态分解(,)这一理论之后提出一种新的时频分析方法对振动信号进行分解,通过分析处理后能够有效提取到时域统计量和能量并且将其作为特征的参数。以上方法可对滚动轴承退化状态进行表征,但这些传统的退化指标对轴承早期微弱
4、故障不敏感,反映的故障信息不全面,并且受到海森堡不确定性原理及交叉项干扰的影响,导致这些时频分析方法在实际应用中受到限制。为了研究并解决这类问题,一些学者将机器学习引入该领域并提出了许多性能退化评估方法,吴义岚等有效利用主成分分析方法加权融合了时域和频域振动信号的特征指标,成功构建出一个有效并且可以评估滚动轴承运行状态的综合特征指标,以支持向量数据描述为分析模型,最后设置健康报警阈值来判定轻微故障出现时间。等通过运用干扰属性投影原理方法对轴承的振动信号进行了分析,发现此方法能够准确提取出信号的特征,后面再利用具有较高辨别能力的隐马尔可夫模型(,),较好地反映了轴承发生退化的过程状态以及退化程度
5、。吕明珠等先用包络熵确定变分模态分解的最优分解层数,最后提取出其中具有敏感本征模态分量 (,)的时域指标和能量熵构成退化特征向量,结合(,)模型,可以识别出轴承的退化状态。然而这些方法都是基于人工进行的特征选取和特征融合,需要大量的先验知识,由此耗费了很多额外的人力和时间资源。深度学习是机器学习中的研究热点,目前比较新颖的 已经在图像处理、图像分类、目标检测等领域应用活跃,其研究成果颇多,不管是对计算机领域还是其他学 术方向都具 有重要的研 究分 析 价值。因其具有强大的特征学习与分类能力而逐渐应用于机器智能故障诊断中。在深度学习方法的研究中,展示了其强大的复杂特征自提取能力,能够实现端到端的
6、识别。基于上述,本文作者提出了基于卷积神经网络 的端到端的滚动轴承性能退化指标构建方法。该方法是在 的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建出滚动轴承性能退化指标(,)。最后通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。卷积神经网络 卷积神经网络的结构卷积神经网络()属于深度学习中的多层的神经网络,主要是由卷积层、池化层和全连接层构成,其典型结构如图 所示。图 卷积神经网络典型结构 卷积层。输入进去的数据信号运用权值共享操作直接与卷积层里的卷积核进行卷积运算产生新的特征图谱。
7、通过权值共享可避免由过多网络参数引起的过拟合,加快网络收敛速度。卷积过程的数学具体表达式为()()其中:为输入的特征矢量;为第 层网络;为卷积核;为网络的偏置值;为第 层输出;为上一层的输出;和 代表两个相连的神经元;为提高网络的非线性表达能力的()激活函数,其数学表达式为()(,)()池化层。池化层通过对上一层卷积得来的特征图谱进行降采样操作,以此来减少模型中网络的参数。选用最大池化方法,最大池化方法的数学表达式为()()()()其中:()为第 层为第 个特征矢量中第 个神经元的值,(),;为池化区域的宽度;()为第 层神经元对应的值。全连接层。全连接层则是将最后得到的特征图谱作平铺操作,将
8、其平铺展开成一维的特征向量,然后执行分类或回归任务。全连接层中的前向传播表达式可以表示为()()其中:为第 层第 个神经元与第 层第 个神经元之间的权重;为 层第 个神经元的输出值;为偏置值;为非线性激活函数。分类器层。分类器层是指最后的全连接层采用可以将输入的神经元转化为和为 的概率分布的 激活函数,得到输入数据的标签分布:()()其中:,代表最后的输出,下标 的数值即最后一层的神经元个数,也是分类器的分类标签数。卷积网络的训练过程 的主要训练组成部分分别是前向传播过程和反向传播过程。前向传播将输入数据层层递进获得输出,反向传播是利用损失函数计算预测值与真实值之间的误差。其中作者用到的损失函
9、数是交叉熵函数,公式为(,)()其中:表示括号里的数值为真值时为,为假值时为 的示性函数,;为训练样本总体数量;为训练样本中类别的个数;是指其中第 个训练样本的真实值;是指其中第 个训练样本为第机床与液压第 卷 个类别的预测概率。误差反向传播使用梯度下降法来最小化损失函数(,),据此可以更新每一层的参数 和。参数的更新公式为 (,)()(,)()式中:为卷积神经网络工作过程的学习率。实验验证与对比分析 实验数据介绍为了验证文中所提滚动轴承振动信号评估方法能应用在不同情境下轴承数据,选择以下两组数据进行实验分析和验证。第一组实验数据是文献所提的美国辛辛那提大学公布的数据,该实验台中 个径向载重
- 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:
- 一种 基于 CNN 滚动轴承 退化 指标 构建 方法
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。