針對利用卷積神經(jīng)網(wǎng)絡（convolutional neural networks, CNN）對滾動軸承進行故障診斷時可采用的振動信號處理方法較多的情況,設計了基于CNN的振動信號處理方法對比實驗,采用不同的振動信號處理方法對滾動軸承在不同工況下的采樣數(shù)據(jù)進行處理,再將動信號輸入CNN故障診斷模型進行訓練及測試,根據(jù)測試精度比較處理方法對故障診斷精度的影響。采用CNN中的AlexNet作為實驗模型,選擇模型中的最后3個全連接層,以達到快速訓練的目的。對比不同信號處理方法對應的檢測準確率可知,基于小波變換的滾動軸承故障診斷模型的檢測準確率最高。 

【文章來源】：中國科技論文. 2020,15(07)北大核心

【文章頁數(shù)】：6 頁

【文章目錄】：
1 CNN
    1.1 理論基礎(chǔ)
    1.2 AlexNet
        1) 首次使用ReLU激活函數(shù)
        2) 首次使用Dropout和LRN方法
2 信號處理
    2.1 實驗目的
    2.2 數(shù)據(jù)集的準備
        2.2.1 FFT
        2.2.2 STFT
        2.2.3 WT
3 故障診斷模型
    3.1 實驗環(huán)境
    3.2 模型結(jié)構(gòu)及參數(shù)
    3.3 超參數(shù)設計
4 對比實驗
5 結(jié) 論


【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的未知復合故障診斷[J]. 張應軍,江永全,楊燕,張衛(wèi)華,陳錦雄.  中國科技論文. 2019(02)
[2]旋轉(zhuǎn)機械一維深度卷積神經(jīng)網(wǎng)絡故障診斷研究[J]. 周奇才,劉星辰,趙炯,沈鶴鴻,熊肖磊.  振動與沖擊. 2018(23)
[3]基于多域融合CNN的高速列車轉(zhuǎn)向架故障檢測[J]. 吳昀璞,金煒東,黃穎坤.  系統(tǒng)仿真學報. 2018(11)
[4]基于RS-LSTM的滾動軸承故障識別[J]. 陳偉,陳錦雄,江永全,宋冬利,張聞東.  中國科技論文. 2018(10)
[5]深度學習在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[6]基于時頻分析與人工神經(jīng)網(wǎng)絡的軸承診斷研究[J]. 孫志誠,沈長青,王富東,楊云貴.  機電一體化. 2017(04)
[7]基于長短時記憶神經(jīng)網(wǎng)絡的風電機組滾動軸承故障診斷方法[J]. 張建付,宋雨,李剛,王傳洋,焦亞菲.  計算機測量與控制. 2017(01)
[8]基于小波分形和神經(jīng)網(wǎng)絡的滾動軸承故障診斷[J]. 張俊,萬里冰.  組合機床與自動化加工技術(shù). 2009(09)



本文編號：3192550