為提高軸承狀態(tài)監(jiān)測(cè)的準(zhǔn)確性和實(shí)時(shí)性,研究了基于卷積神經(jīng)網(wǎng)絡(luò)和GPU運(yùn)算的軸承狀態(tài)識(shí)別模型。利用振動(dòng)信號(hào)監(jiān)測(cè)軸承性能狀態(tài),應(yīng)用連續(xù)小波變換算法對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)頻變換得到小波系數(shù)云圖,通過(guò)基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的特征學(xué)習(xí),卷積和子采樣計(jì)算提取具有旋轉(zhuǎn)和尺寸不變性的特征向量,最后全連接層對(duì)特征向量進(jìn)行狀態(tài)識(shí)別。采用基于CUDA（Computer Unified Device Architecture）框架的CPU+GPU異構(gòu)并行運(yùn)算對(duì)計(jì)算模型加速,提高系統(tǒng)的實(shí)時(shí)性。為驗(yàn)證提出算法的有效性,采集軸承全壽命周期振動(dòng)信號(hào),運(yùn)用提出的CPU+GPU計(jì)算方法和CPU計(jì)算方法分別對(duì)軸承運(yùn)行狀態(tài)進(jìn)行識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,所提出的方法,計(jì)算速度是CPU計(jì)算速度的5倍以上。 

【文章來(lái)源】：制造技術(shù)與機(jī)床. 2017,(08)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 卷積神經(jīng)網(wǎng)絡(luò)
    1.1 卷積層
    1.2 子采樣層
    1.3 全連接層
2 基于GPU的卷積神經(jīng)網(wǎng)絡(luò)
3 軸承狀態(tài)監(jiān)測(cè)系統(tǒng)
    3.1 實(shí)驗(yàn)平臺(tái)
    3.2 基于小波變換的數(shù)據(jù)預(yù)處理
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)和GPU的識(shí)別模型
4 實(shí)驗(yàn)結(jié)果
5 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于PCA-SVM的滾動(dòng)軸承故障診斷研究[J]. 張沛朋,郭飛燕.  組合機(jī)床與自動(dòng)化加工技術(shù). 2015(11)
[2]基于Morlet小波變換的滾動(dòng)軸承早期故障特征提取研究[J]. 馬倫,康建設(shè),孟妍,呂雷.  儀器儀表學(xué)報(bào). 2013(04)
[3]基于相對(duì)特征和多變量支持向量機(jī)的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J]. 申中杰,陳雪峰,何正嘉,孫闖,張小麗,劉治汶.  機(jī)械工程學(xué)報(bào). 2013(02)
[4]滾動(dòng)軸承表面損傷故障智能診斷新方法[J]. 陳果.  儀器儀表學(xué)報(bào). 2009(01)



本文編號(hào)：3451411