基于一维CNN参数优化的压缩振动信号故障诊断

TH212%TH213.3; 针对一维卷积神经网络(convolutional neural network,CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断.压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径.首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型.利用正交试验进行参数范围的粗略评价,选择出最优方案.对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值.选择齿轮箱实测信号和西储大学轴承信号作为研究对象.实验结果表明,经过优化后非劣粒子的输出特征...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 42; no. 9; pp. 1911 - 1919
Main Authors 马云飞, 贾希胜, 白华军, 郭驰名, 王双川
Format Journal Article
LanguageChinese
Published 陆军工程大学石家庄校区装备指挥与管理系,河北石家庄050003 01.09.2020
Subjects
正交试验
卷积神经网络
故障诊断
多目标粒子群
压缩感知
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2020.09.05

Cover

More Information
Summary:TH212%TH213.3; 针对一维卷积神经网络(convolutional neural network,CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断.压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径.首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型.利用正交试验进行参数范围的粗略评价,选择出最优方案.对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值.选择齿轮箱实测信号和西储大学轴承信号作为研究对象.实验结果表明,经过优化后非劣粒子的输出特征分类明显,CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2020.09.05