[1]石怀涛 乔思康 丁健华 王子男 白晓天.基于改进卷积神经网络CNND的电主轴轴承故障诊断方法[J].沈阳建筑大学学报(自科版),2020,(2):361-369.[doi:10.11717/j.issn:2095-1922.2020.02.21]
点击复制

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法()
分享到:

沈阳建筑大学学报(自科版)[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2020年第2期
页码:
361-369
栏目:
机械工程
出版日期:
2020-03-30

文章信息/Info

作者:
石怀涛 乔思康 丁健华 王子男 白晓天
关键词:
故障诊断电主轴深度学习卷积神经网络Dropout优化方法
DOI:
10.11717/j.issn:2095-1922.2020.02.21
摘要:
目的 解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法 提出一种基于改进卷积神经网络的诊断方法,该方法在卷积神经网络的训练过程中融入Dropout优化方法,使整个故障诊断模型按照一定的比例随机“关闭”隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果 将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的“基于信号处理提取到的特征和机器学习模型”方法,更适用于电主轴轴承故障诊断.结论 提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.

相似文献/References:

[1]张珂%王小康%张丽秀.100MD60Y4电主轴油气润滑系统建模及空气流场分析[J].沈阳建筑大学学报(自科版),2018,(3):505.
[2]张丽秀%于诗瑶.高速电主轴油气润滑产生的油雾对空气质量的影响[J].沈阳建筑大学学报(自科版),2018,(2):341.[doi:10.11717/j.issn:2095-1922.2018.02.17]
[3]须颖 李昊东 安冬.基于GLCM-SDAE的滚动轴承故障诊断方法[J].沈阳建筑大学学报(自科版),2020,(4):720.[doi:10.11717/j.issn:2095-1922.2020.04.18]
[4]邓媛媛,刘国奇,蔡磊.基于设备运行数据的风机故障诊断方法[J].沈阳建筑大学学报(自科版),2021,(5):942.[doi:10.11717/j.issn:2095-1922.2021.05.22]
[5]张珂,吴智鹏,王子男,等.考虑温度场影响的电主轴最佳间隙量研究[J].沈阳建筑大学学报(自科版),2021,(6):1115.[doi:10.11717/j.issn:2095-1922.2021.06.19]
[6]石怀涛,李宁宁,赵金宝,等.基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断[J].沈阳建筑大学学报(自科版),2022,(6):1129.[doi:10.11717/j.issn:2095-1922.2022.06.21]
[7]侯祥林,王鑫,李诗雨,等.基于过渡过程信号的振动机机体结构裂纹故障检测[J].沈阳建筑大学学报(自科版),2023,(2):355.[doi:10.11717/j.issn:2095-1922.2023.02.20]

更新日期/Last Update: 2020-04-07