基于CEEMDAN和CNN-TSA-GRU的滚动轴承故障识别方法研究.pdf
《基于CEEMDAN和CNN-TSA-GRU的滚动轴承故障识别方法研究.pdf》由会员分享,可在线阅读,更多相关《基于CEEMDAN和CNN-TSA-GRU的滚动轴承故障识别方法研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、 自控检测 :收稿日期:;修回日期:基金项目:陕西省教育科学“十四五”规划 年度课题()。第一作者简介:陈博(),男,陕西咸阳人,硕士,工程师,主要研究方向为故障诊断、数控加工技术。:基于 和 的滚动轴承故障识别方法研究陈博,魏豪,权伟(西安工程大学 工程训练中心,陕西 西安 )摘要:为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰,提出一种基于完全集合经验模态分解 和深度时间自注意力卷积网络 的滚动轴承故障识别模型。该模型首先采用 将信号分解为若干固有模态函数(,)分量,利用光谱放大因子 指标自适应筛选最优高信噪比分量;其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络 提取空间特
2、征,弱化冗余特征信息,保留目标特征;最后利用门控循环单元 提取样本数据时间特征,使得网络得到更充分的学习,提高模型鲁棒性。经试验数据验证:所提出的深度学习智能故障识别模型故障识别准确率达到 ;对比一维 和 模型,识别准确率分别提高 和 ,验证了该模型的有效性和优越性。关键词:故障识别;滚动轴承;深度学习;中图分类号:文献标志码:文章编号:(),(,):,()(),(),(),(),:;();()第 卷 第 期 年 月轻工机械 滚动轴承在复杂机械系统中被广泛使用,其安全平稳运行对整个机械系统的运行状态起着至关重要的作用。但滚动轴承的运行工况一般比较复杂 ,其运行环境中存在着众多的噪声干扰,这就造
3、成滚动轴承的故障难以被及时发现和识别,从而导致重大安全事故的发生 。因此,进行噪声环境下的滚动轴承故障识别研究是非常必要的。对滚动轴承故障特征提取主要是将信号中由轴承故障引起的冲击成分和其余干扰成分有效地分离开来。通用型信号分解方法有:经验模态分解(,)、集合经验模态分解(,)、互补 集 合 经 验 模 态 分 解(,)、局域均值分解(,)、变分模态分解(,)等。上述方法虽然在故障诊断中有一定的效果,但在自适应和鲁 棒 性 方 面 还 有 待 提 升。如 、和 都存在模态混叠影响和重构误差问题,极易受到白噪声干扰,存在模态选取和二次罚因子预设等问题。等 提出了完全集合经验模态分解(,)算法,采
4、用添加辅助噪声来解决分解算法中存在的模态混叠问题,算法很大程度上降低了计算资源的成本并且实现信号的零重构误差 。近年来,为了进一步提高滚动轴承故障诊断精度和效率,人工智能中机器学习理论尤其是深度学习理论被用于滚动轴承智能诊断,成为研究热点。深度学习方法旨在通过搭建多层次的网络结构,逐层遍历提取数据中的深度特征,从而实现数据区分或数据预测,但深层的网络结构意味着传递过程中会产生大量的计算参数,导致模型僵化、泛化能力差。针对该问题,等 提出了自适应一维卷积神经网络方法,该方法被广泛应用于故障诊断与检测领域。一维卷积神经网络方法相比于其他深度学习方法的优势在于不过度依赖于大量的轴承故障数据,并且可以
5、直接采用原始振动检测数据进行特征提取 。轴承信号中并不是所有特征都富含轴承故障信息,一些对轴承故障信息贡献不大的特征权重占比过大,将会降低模型的识别精度。为了有效提高故障特征的识别精度,课题组提出的基于 和 的深度学习故障识别模型首先依据 方法对复杂信号成分自适应分解,并采用光谱放大因子(,)指标从中筛选最优分量;其次将最优分量作为模型入参,充分提取数据样本的空间和时间特征;最后,经试验数据验证及对比该模型的故障识别效率。算法原理 完全集合经验分解 算法完全集合经验模态分解 算法基于 算法自适应调整噪声系数,产生信噪比不同的高斯噪声,并引入待分解信号,在避免模态混叠的同时几乎无重构性误差。假设
6、原始信号为 (),自适应添加高斯白噪声并执行 分解直至参与分量不能继续分解为止,此时可得 的所有 个固有模态函数(,)分量,则原始信号的分解可表示为剩余残差 ()与各 分量 珋()的叠加:()珋()()。()光谱放大因子 指标将信号的傅立叶变换幅度谱和信号在同一频率区间内的幅度谱的比值定义为光谱放大因子,该指标用来表示信号主频率的能量比重 。指标可以不受噪声强度变化的干扰,有效筛选 分解的最优分量子序列,具体定义如下:()()。()式中:为光谱放大因子;()是信号的傅立叶变换幅度谱;()是第 个子序列分量的傅立叶变换振幅谱;为理论故障特征频率;为以 为中心的频宽,其保证实际故障频率在以理论故障
7、频率 为中心的频带内。卷积神经网络 一 维 卷 积 神 经 网 络(自控检测陈博,等:基于 和 的滚动轴承故障识别方法研究 ,)通过多个滤波器对故障数据进行卷积与池化运算,从而提取有效的轴承故障特征。典型一维卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成,其中卷积层和池化层提取输入数据的特征,而全连接层主要负责分类,其结构如图 所示。图 一维卷积神经网络结构 时间自注意力机制 网络入参的多个特征样本中,每个样本对分类结果的贡献度不同,甚至存在一些冗余特征,结合振动信号具有的隐含时间特性,课题组提出改进的时间自注意力机制,在传统自注意力机制计算查询参数 、键参数 和数值参数 之前增加
8、长短记忆网络(,)层给输入数据附带隐藏时间标签,注意力层对输入数据相关性检测增加时间维度,提升权重系数分配精度。(,(,)(,)(,);()(,);()。()式中:为 分类器;为输入序列长度,为时间标签,且 ,;为卷积网络的输出特征向量;为查询向量;为评分函数;为长短时记忆网络;为时间自注意力层的输出特征向量,即分配权重系数后的特征样本数据。时间自注意力机制如图 所示。图 时间自注意力机制 故障信号预处理 分解重构由于信号中的噪声成分对网络模型的参数训练会造成较大影响,因此采用凯斯西储大学()滚动轴承数据中心的滚动轴承试验数据进行降噪预处理研究,针对该信号进行 分解,得到 个 分量结果如图 所
- 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 CEEMDAN CNN TSA GRU 滚动轴承 故障 识别 方法 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。