APP下载

改进的深度残差收缩网络轴承故障诊断方法

2023-10-10唐世钰童靳于郑近德潘海洋

振动与冲击 2023年18期
关键词:故障诊断特征故障

唐世钰, 童靳于,2, 郑近德, 潘海洋, 伍 毅

(1. 安徽工业大学 机械工程学院,安徽 马鞍山 243032;2. 安徽省智能破拆装备工程实验室,安徽 马鞍山 243032)

滚动轴承作为机械传动系统的关键零部件,在复杂多变的工况下长期运行后,不可避免地会出现各种故障,可能影响整机的性能,导致严重的安全事故。因此,准确、自动地诊断滚动轴承中可能发生的不同故障具有重要意义[1-2]。

随着计算技术的发展,支持向量机(support vector machine, SVM)[3]、K近邻算法[4]等传统的机器学习方法,已被应用于故障诊断领域。这些机器学习方法往往需要结合人工经验选取特征,计算耗时且准确率不高。

2006年,Hinton等[5]首次提出了深度学习的概念。与传统的机器学习不同,深度学习可以实现端到端的学习,在进行学习前不需要进行特征提取等操作,通过加深网络结构即可实现从原始数据中自动提取特征的目的[6]。其中,自动编码器(auto-encoder, AE)[7]、卷积神经网络(convolutional neural network, CNN)[8]、深度信念网络(deep belief network, DBN)[9]等已被广泛应用于故障诊断中。例如,文献[10]将卷积DBN应用于电力机车轴承的故障诊断。文献[11]采用一维CNN从原始信号中学习特征,用于电机的故障诊断。文献[12]设计了一种基于稀疏AE的故障诊断模型用于识别感应电动机的故障类别。

在深度学习中,一般通过增加网络的层数来提高模型的性能[13]。然而,网络层数的增加会阻碍梯度的流动,加大参数优化的难度,进而导致故障诊断准确率降低。He等[14]提出了深度残差网络(deep residual network, ResNet),其核心是使用快捷连接避免了梯度爆炸和消失,缓解了参数优化的困难。……

登录APP查看全文

猜你喜欢

故障诊断特征故障
故障一点通
如何表达“特征”
不忠诚的四个特征
奔驰R320车ABS、ESP故障灯异常点亮
故障一点通
江淮车故障3例
基于LCD和排列熵的滚动轴承故障诊断
基于WPD-HHT的滚动轴承故障诊断
线性代数的应用特征
高速泵的故障诊断