基于深度学习的电机轴承微小故障智能诊断方法
运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点.传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征.提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率.最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证.结果 表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性.其诊断准确率和测试时间明显优于其他智能算法.
故障诊断、卷积神经网络、支持向量机、深度学习、全局均值池化
41
TH165+.3;TP277;TP306+.3
国家自然科学基金面上项目;中央高校基本科研业务经费资助武汉理工大学优秀博士学位论文培育项目;广西高校中青年教师科研基础能力提升项目;国家留学基金委博士联合培养项目资助
2020-09-04(万方平台首次上网日期,不代表论文的发表时间)
共11页
195-205