基于多输入层卷积神经网络的滚动轴承故障诊断模型

摘要：

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型.相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力.通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力.试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力.

关键词：深度学习、卷积神经网络、滚动轴承、故障诊断

所属期刊栏目：39

分类号：TH212;TH213.3(起重机械与运输机械)

资助基金：国家自然科学基金;北京市教委科技计划项目;国家留学基金

在线出版日期：2020-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：142-149,163