基于少参数CNN的多工况机械故障诊断方法.pdf
《基于少参数CNN的多工况机械故障诊断方法.pdf》由会员分享,可在线阅读,更多相关《基于少参数CNN的多工况机械故障诊断方法.pdf(3页珍藏版)》请在咨信网上搜索。
1、1562023 年 10 月上Agricultural Machinery and Equipment农业机械与装备基于少参数 CNN 的多工况机械故障诊断方法于地(长春光华学院,吉林 长春 130033)摘要:【目的】故障诊断是保障设备可靠、安全运行的关键措施。应着力解决现有故障诊断方法的假设故障样本为同分布的问题,从而提升多工况机械故障诊断的精准性和有效性。【方法】笔者提出基于少参数CNN的多工况机械故障诊断方法,并应用LiNet算法,对卷积神经网络的批归一化层进行优化。同时,笔者在基于CNN网络LiNet算法结构、LiNet算法训练、数据预处理三方面,对诊断方法的实现进行深度分析。在此基
2、础上,笔者以工业齿轮箱的齿轮部件和轴承部件为例,对提出的算法进行验证。【结果】基于CNN网络LiNet算法的故障诊断方法对于轴承的故障诊断精度达到100%,对于齿轮的故障诊断精度达到95%以上。【结论】基于CNN网络LiNet算法的故障诊断方法的收敛速度较快,并具有一定泛化能力、域自适应能力,能够精准提取到故障信息数据,可以在实际机械故障检测中进行深度应用,后续可从故障模式分类视角进一步深化研究。关键词:卷积神经网络;机械;故障诊断;LiNet算法中图分类号:TP183;TH17 文献标志码:A DOI:10.3969/j.issn.1672-3872.2023.19.041随着信息技术的快速
3、发展,机械设备愈加复杂化、智能化,使设备具有更完善、精确的性能1。但在机械设备愈加复杂的过程中,增大了机械设备运行状态的不确定性,需要在机械设备运行过程中对机械设备的零件性能、设备精度、部件磨损程度等进行检测,以提升机械设备运行的安全性与可靠性。但现有故障诊断工作以假设故障样本为同分布的方式进行,样本数量较少,难以对多工况机械故障进行精准诊断。据此,本文提出具有域自适应能力的基于少参数CNN网络LiNet算法的机械故障诊断方法,并对该方法进行验证,旨在为提升机械故障诊断实效提供方法借鉴与参考。1 卷积神经网络卷积神经网络(Convolutional Neural Network,CNN)由卷积
4、层、池化层、激活层构成,具有较强的特征提取能力,被广泛应用于工业生产、科学研究等领域2。在CNN网络运行过程中,全连接层可以接收压缩信号特征,经过多个卷积池化处理后,输出到全连接层,并对输出数据信息进行分类和更新。CNN算法流程如下:第一,对特征图、激活函数进行点积计算,利用非线性激励函数映射输入,公式表示为:zlk=alk-1*wlk+blk (1)式中,zlk表示第l个卷积层的第k个特征映射;alk-1表示第l-1个卷积层的第k个特征图的输出值;wlk表示第l个卷积层的第k个特征映射的权值;blk表示第l个卷积层的第k个特征映射的偏置。卷积层运行中,需要利用激活函数增强网络表达能力,激活函
5、数公式表示为:alk=(zlk)(2)式中,alk表示第k个特征图的非线性特征值;(zlk)表示修正线性单元激活函数。卷积层操作如图1所示。110011101110011000111001=211221022图1卷积层操作示意图第二,在池化层,对提取到的特征进行向下采样,公式表示为:yli,j,k=downsamplel(m,n)Rli,j(xlm,n,k)(3)式中,yli,j,k表示第 l 个卷积层的第 k 个特征映射中(i,j)位置经过池化操作后的数值;downsample(xlm,n,k)表示采样规则;Rli,j表示(i,j)位置的感受野;xlm,n,k表示区域(m,n)位置感受野神经
6、元映射到新一层中的神经元节点。第三,利用全连接,对特征进行分类,分类使用softmax 激活函数3。全连接公式表示为公式(4),softmax函数表示为公式(5)。作者简介:于地(1989),男,吉林长春人,硕士研究生,实验师,研究方向为机械电子工程。2023 年 10 月上157Agricultural Machinery and Equipment农业机械与装备 fulllk=(alk-1*wlk+blk)(4)y=softmax(fullL)(5)式中,wlk表示全连接的权值矩阵;y表示预测标签。2 基于LiNet算法的CNN批归一化层优化为有效对多工况机械故障进行检测,应用LiNet算
7、法对CNN的批归一化层进行优化,挖掘其自适应能力,使算法更适用于图像识别4。首先,输入信号,对批归一化层的神经元进行表达,公式表示为:xt(i)(j)xt(i)(6)式中,j表示目标信号;xt(i)(j)表示目标信号j在批归一化层中第i个神经元的表达。其次,应用目标域计算批归一化层的统计量,确保CNN网络的算法更适用于目标域数据计算。3 基于 CNN 网络 LiNet 算法的故障诊断方法实现3.1 基于CNN网络LiNet算法结构分析LiNet算法总体结构与CNN网络部分结构相似,包括特征提取和模式识别。特征提取是应用 2 个light_module、11结构卷积核进行特征提取;模式识别是参数
8、压缩后,将提取特征输入到池化层进行识别5。在LiNet算法具体应用中,主要包括数据准备、方法训练、方法测试6。数据准备方面,需要收集足够的数据样本,将样本按照比例划分为测试集、训练集。为保证算法具有轻量化特征,能够更精准地诊断机械故障,在LiNet算法中引入叠加light_module模块7。该模块可以用 11 结构卷积核代替 33 卷积核,有效减少了参数的总数量。同时,压缩light_module模块中的输入通道数量,进一步减少参数总量。方法训练方面,对训练集参数进行训练,若训练集、测试集的负载工况不同,则对批归一化层进行更换,保证训练集和测试集的输入参数分布呈对齐的状态。方法测试即对方法的
- 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 参数 CNN 工况 机械 故障诊断 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。