没有合适的资源?快使用搜索试试~ 我知道了~
首页多级神经网络在轴承故障诊断中的应用
多级神经网络在轴承故障诊断中的应用
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 121 浏览量
更新于2024-07-02
收藏 3.19MB PDF 举报
该文档介绍了一种基于多级神经网络的滚动轴承故障分类方法,旨在提升工业生产中轴承故障的检测精度和效率。通过结合改进的感知器、动态路由算法和随机优化算法,构建了一个集成的多级神经网络模型。 在故障诊断过程中,首先对原始轴承振动信号数据库进行样本扩充,利用随机截取的故障轴承振动信号,并根据轴承的受损位置、受损点直径和加速度传感器的采样位置进行分类。接着,在多层感知器网络中应用dropout算法来构建故障特征提取网络,将提取到的标量故障特征序列转化为向量形式的初级胶囊输入。 然后,通过线性变换将初级胶囊的输入向量转换为高级胶囊的输入,利用动态一致性路由算法进行多次迭代,以确定高级胶囊的输入向量与故障标签向量之间的耦合系数,从而找出最佳的故障特征传输路径。依据这些耦合系数,可以预测轴承的故障类别。 网络的优化过程通过目标函数对比故障标签与预测结果的一致性,计算网络预测损失。使用反向传播算法计算权值误差,再由Adam参数优化算法更新权重参数,并应用自适应学习速率算法选择最佳学习速率,使模型预测向量更接近实际故障类别标签。 实验部分,研究者将凯斯西储的故障轴承基准数据按照受损位置、直径和采样位置分为A、B、C、D、E五类,并在每类数据库上进行MATLAB数值仿真,模型的平均精度达到99%以上,显著优于传统算法ADCNN的98.10%精度,证明了该模型在轴承故障诊断与分类上的高效性和高精度。 总结来说,这篇文档提出了一个创新的多级神经网络模型,该模型能够准确地识别和分类轴承的故障状态,对预防工业生产事故、保障生产安全具有重大意义。其在实际应用中的优秀表现,展示了深度学习技术在机械设备故障诊断领域的巨大潜力。
资源详情
资源推荐
第一章 绪论
5
等提出线性判别分析的谱分析方法对轴承振动信号进行分析,并用巴氏距离对分析结果
验证,实现了对轴承不同受损程度的故障诊断
[27]
。朱艳萍提出基于改进小波变换的滚动
轴承故障诊断,该方法基于顺序统计滤波器构建平滑的信号频率包络谱,由此得到频谱
分割边界,利用经典小波变化分解出一系列主模态,该方法具有自适应分割的特点,可
有效用于分析轴承故障诊断中的非平稳信号
[28]
。
简单机械系统的监测信号通过时域、频域、时频域以及小波变换、经验模态分解等
信号处理技术处理后提取到与机械系统健康状态相关的故障类型参数,根据所提取故障
参数诊断系统故障。但是,不同的信号处理技术的缺陷也被凸显出来,通过计算系统检
测信号的平均值、标准差、峰值、峭度值、等统计量的时域分析方法忽略了监测信号的
的周期性、多样性、多调制、多分量的特点,使得时域变换可能丢失重要的系统故障特
征信息
[29-30]
。由于缺乏可靠的准则选择小波基函数,而且对故障信号的分解尺度是不变
的,使得小波分析不能根据信号特性对信号进行不同尺度的特征分解
[31]
。对于经验模态
分解存在模态混叠、过包络等问题使得基于经验模态分解的故障诊断方法效果不理想
[8]
。
基于信号处理的故障诊断方法识别机械系统故障需要专家对机械系统各部件的故障信
号频段以及各种机械故障的频带分布充分的了解,还需故障诊断专家具有深厚的信号处
理技术功底
[9]
。而且基于信号处理的故障诊断方法只能对部分时域故障特征或频域故障
特征进行处理,对于大规模、多尺度、复杂多变的现代机械系统故障信号,该方法以不
再适用。
基于统计分析的方法
[11-12]
主要依靠分析过程数据统计量,从其中的变化提取特征,
根据系统中某个故障参数的平均值以及方差、协方差等对系统的特定故障类别设计出能
识别系统故障信号的门限值,通过判断故障信号相对门限值的波动范围,有效地诊断检
测系统的异常状态。基于统计分析的方法包含单变量统计方法、多变量统计方法等。单
变量统计分析方法是对所监测的系统中最可能引发系统异常的单个变量设定变量信号
波动范围,并根据所检测信号是否在波动范围内确定故障状态,该方法可以实现简单系
统的故障诊断;但是对于较复杂的系统,多种因素导致故障的发生,且引发系统故障的
各个因素联系紧密,通过监测单个变量很难实现复杂系统的故障检测。多变量统计方法
是通过对可能引发系统异常的多个变量监测,能够在引发系统故障的多个变量相互关联
的状况下分析出各变量之间的统计关系,并根据各变量之间的统计关系得出系统的异常
状况。马德仲等通过贝叶斯网络结合多因素模糊综合评判的方法对轴承进行故障诊断,
实现了对原有的故障诊断方法在检测速度、检测难易度、检测准确性方面的优化
[32]
。卢
双等提出主成分分析法(Principal Component Analysis,PCA)结合支持向量机(Support
Vector Machine,SVM)的轴承故障诊断方法,通过 PCA 算法将多维相关变量转换为低维
独立特征向量,继而由 SVM 算法对低维特征向量实现非线性回归和模式识别
[33]
。李祥
等利用聚类算法最小化每类轴承故障类别内部变量之间的距离,同时最大化各类轴承故
障类别变量之间的距离,使得每类滚动轴承故障特征更加明显,再通过深度卷积网络识
万方数据
第一章 绪论
6
别滚动轴承故障
[34]
。Masoud Pour 利用基于时间序列分析和小波变换混合的算法估算加
工工件的表面粗糙程度,该方法具有降低图像噪声以及消除由于中光线反射或者工件加
工过程中生成的图像曲率的作用
[35]
。
基于统计分析的故障诊断法是根据机械系统中不同设备各自的监测信号的均值、方
差等统计量,设定各个设备检测信号的波动门限,并根据各个设备信号的波动情况诊断
简单设备的故障,但是对于较复杂的系统,多种因素导致故障的发生,且引发系统故障
的各个因素联系紧密,统计分析很难得出各个相关因素的统计量,而且通过引发系统异
常的统计量所设定的机械设备信号门限会丢失掉大量引发机械故障相关的信息,导致机
械设备的故障诊断不精确。
传统的人工智能方法
[11-12]
,如感知器神经网络、玻尔兹曼机、支持向量机等。通过
故障分类问题转化为凸优化问题,最大化机械系统故障类型边界扩大故障类型参数的距
离。或通过浅层神经网络提取机械系统故障故障特征,或通过能量函数构建能描述机械
系统故障类型关系的拓扑结构诊断故障。卢李兴等通过反向传播神经网络(Back
Propagation,BP)对轴承进行故障诊断,并用共轭梯度算法训练 BP 网络,加快了网络
训练速度以及泛化能力
[36]
。卢双提出 PCA 结合 SVM 的轴承故障诊断方法,通过 PCA
算法将多维相关变量转换为低维独立特征向量,继而由 SVM 算法对低维特征向量实现
非线性回归和模式识别
[33]
。韶海东等提出一种新型优化深度置信网络,使用三层限制玻
尔兹曼机堆叠的分层结构,利用随机梯度下降法微调权值,使用粒子群优化算法进一步
优化网络结构以及确定最优的网络结构
[37]
。但是,传统人工智能
[38]
方法对于高维的、多
尺度、大规模、非线性的机械系统故障数据很难做到精确拟合,同时由于传统的人工智
能学习方法所构建的神经网络模型层数过少,不能提取深层次的系统故障特征,而且传
统人工智能方法通过对机械系统的故障特征进行人工提取,然后再对所提取的故障状态
特征进行筛选和优化,进而将故障特征有测量空间映射到特征空间,并利用神经网路实
现机械故障的诊断。这使得应用传统的人工智能方法诊断机械系统故障必须具有深厚的
信号处理技术以及数学建模功底并且对设备的自身性质充分的了解。由于不同机械设备
甚至相同的机械设备在不同的运行环境中具有不同的故障特征表现形式,而传统的人工
智能故障诊断方法对于不同的故障表现形式自适应能力不足,需要人工重调相关参数才
能有效识别故障,限制了传统人工智能模型的应用范围。
相比于传统的人工智能故障诊断方法,深度学习网络可以直接对机械系统检测信号
直接处理,不需要过多的信号处理相关的知识,不需要依赖专家的先验知识,对于不同
环境下不同表现形式机械设备监测信号故障特征提取不需要人工重新设置模型参数,具
有良好的自适应能力。而且通过多层的非线性特征提取结构,通过对监测信号多层非线
性变换和故障特征提取,能精细提取机械故障特征,能准确拟合机械设备故障类别。
1.2.2 深度学习现状分析
万方数据
第一章 绪论
7
随着我国制造业的快速发展,现代工业生产系统逐渐发展为大型化、复杂化、集成
化、系统化、高速化、智能化、精密化。设备运行中一旦出现故障,监测到的故障信号
大多具有非线性、非平稳、大规模、多调制、多尺度的特性,传统方法不具备处理相关
设备故障信号的能力,很难准确地预测故障征兆所引发的设备故障类型。基于人工智能
的故障诊断技术通过构建人工智能故障诊断模型,模仿人类对事物的学习、分析、推理、
决策方式,根据机械系统故障征兆对设备故障类型进行推断决策的方法。多层感知网络
是神经网络发展初期最经典的网络模型,通过模仿人类大脑皮层神经元运行实现简单的
线性分类,但是由于网络结构难以确定,容易陷入局部最优解的缺陷制约其应用发展。
Lenet5 是最早的卷积神经网络模型,强大的学习能力以及采用局部感知与权值共享的卷
积方式和下采样池化方式有效的减少了网络参数而且防止网络过拟合,但是限于当时计
算机的运算能力以及缺乏大规模的数据,使得网络对复杂问题的处理能力不理想。
Alexnet 神经网络在 2012 年 ImageNet 竞赛中以 15.3%的误差率,几乎比第二名误差率
(26.2%)降低了近 50 个百分点的成绩引发了世界图像识别领域的巨大混动,获得专家
学者对神经网络的广泛认可,大力推动了神经网络的发展。Alexnet 主要通过双图像处
理单元(Graphics Processing Unit,GPU)加快神经网络的运算能力,丢弃(Dropout)算
法降低网络过拟合,大量的训练网络数据以及数据库增强算法实现,大规模图片的精确
分类。胶囊网络是首次通过向量神经元的方式表达网络识别实体的实例化参数,并通过
胶囊运行机制对实体的故障特征进行预测分类,使得神经网络对实体的识别方式更接近
人类对事物的认知方式。
本文充分利深度学习在特征提取,参数优化,非线性表达,故障数据拟合性能,模
型泛化能力强等优点,构建多种基于多极神经网络的故障诊断模型。并在美国凯斯西储
数据库上进行数值仿真实验对模型不同方面的性能验证,实验结果表明本文所构建的故
障诊断模型具有很高的精确度与稳定性,为轴承故障诊断研究提供了新的模型思路。
1.3 本文的主要内容
本文通过对故障诊断技术以及深度学习的发展情况进行分析介绍,并 对构成深度学
习网路结构的经典模块的结构和运行原理以及在深度学习网络中的功能进行分析总结。
进而对故障轴承振动信号数据库中由传感器所采集的轴承运行振动信号的数量以及采
样位置和故障类别进行分析说明,并根据轴承振动信号的一维属性构建适应于对一维时
域轴承故障振动信号进行特征提取和分类的多层神经网络故障诊断模型。并分别整体轴
承故障类别数据集与单一轴承故障类别数据集进行数值仿真实验,实验结果表明本文所
提模型比在同一轴承故障数据集测试的其他经典故障诊断模型精度更高,而且模型具有
很强的鲁棒性。
万方数据
剩余64页未读,继续阅读
programcx
- 粉丝: 42
- 资源: 13万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 多模态联合稀疏表示在视频目标跟踪中的应用
- Kubernetes资源管控与Gardener开源软件实践解析
- MPI集群监控与负载平衡策略
- 自动化PHP安全漏洞检测:静态代码分析与数据流方法
- 青苔数据CEO程永:技术生态与阿里云开放创新
- 制造业转型: HyperX引领企业上云策略
- 赵维五分享:航空工业电子采购上云实战与运维策略
- 单片机控制的LED点阵显示屏设计及其实现
- 驻云科技李俊涛:AI驱动的云上服务新趋势与挑战
- 6LoWPAN物联网边界路由器:设计与实现
- 猩便利工程师仲小玉:Terraform云资源管理最佳实践与团队协作
- 类差分度改进的互信息特征选择提升文本分类性能
- VERITAS与阿里云合作的混合云转型与数据保护方案
- 云制造中的生产线仿真模型设计与虚拟化研究
- 汪洋在PostgresChina2018分享:高可用 PostgreSQL 工具与架构设计
- 2018 PostgresChina大会:阿里云时空引擎Ganos在PostgreSQL中的创新应用与多模型存储
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功