為增強基于振動信號的列車滾動軸承故障的診斷準確性,提出一種采用MED輔助特征提取的卷積神經(jīng)網(wǎng)絡(luò)模型。首先采用MED理論對振動信號進行處理,再將其與原信號構(gòu)成二維張量送入卷積神經(jīng)網(wǎng)絡(luò)進行訓練。這樣,既在一定程度上突出信號中故障引起的沖擊成分,使得故障特征更容易被卷積神經(jīng)網(wǎng)絡(luò)提取出來,也完整地保留原信號中的信息,不影響信息的完整性。采用實測軸承數(shù)據(jù)進行性能分析和驗證,對比直接使用CNN的方法。結(jié)果表明:該模型確擁有更好的性能,在測試集與訓練集來自于不同運行速度數(shù)據(jù)的情況下,表現(xiàn)出更好的泛化能力,更高的診斷準確性,將測試集的診斷準確率提高2個百分點,是一種能更好用于列車滾動軸承故障智能診斷的方法。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1數(shù)據(jù)處理前后對比

在滾動軸承的振動信號中，故障特征實際源于周期的沖擊信號，經(jīng)由系統(tǒng)的調(diào)制逐漸使得這種特征變得不利于提取。此處MED雖不能完美地構(gòu)建出系統(tǒng)的逆濾波器還原，但能在一定程度上突出信號的沖擊成分，且經(jīng)由后面的實驗驗證，經(jīng)過MED后的振動信號的故障特征更易被神經(jīng)網(wǎng)絡(luò)提取。圖1所示為其中一截原....

圖2卷積神經(jīng)網(wǎng)絡(luò)示意圖

卷積神經(jīng)網(wǎng)絡(luò)最早用于計算機視覺相關(guān)的研究，并取得了不俗的成績。由于權(quán)值共享等特點，大幅度減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)計算，降低了過擬合的風險，大幅提高了大型深層神經(jīng)網(wǎng)絡(luò)的性能[9]。卷積神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)又可分為卷積層、池化層和全連接層，其中卷積層和池化層常交替出現(xiàn)，見圖2。本文中卷積網(wǎng)....

圖3輪對軸承故障試驗故障類型

本文實驗數(shù)據(jù)來源于CRH2型高速列車輪對的臺架試驗，試驗軸承型號為CRI-2692軸承，為密封性雙列圓錐滾子軸承。數(shù)據(jù)采集系統(tǒng)由調(diào)理器、加速度傳感器、數(shù)據(jù)交換機、IMC采集器以及PC電腦等組成。其中加速度傳感器為壓電式振動傳感器，IMC采集器采樣頻率為10kHz。試驗中，在....

圖4本文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

目前，卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)確定尚缺乏明確的指導理論，需不斷調(diào)試參數(shù)，通過比較確定一個合適的值，仍依賴于人工經(jīng)驗。本文的模型以LeCun提出的LeNet-5模型[11]為基礎(chǔ)，但調(diào)整了網(wǎng)絡(luò)的部分參數(shù)和超參數(shù)，使其能在軸承振動數(shù)據(jù)上有較好的診斷效果。網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。其中，C代表....

本文編號：3956441