西储大学轴承数据_改进的CNN网络在轴承故障诊断中的应用OSID文章推荐

DOI: 10. 3969 / j. issn. 1009-9492. 2020. 08. 003

杨兰柱，刘文广. 改进的CNN网络在轴承故障诊断中的应用［J］ . 机电工程技术，2020，49(08)：11-13.

改进的CNN网络在轴承故障诊断中的应用

杨兰柱1，刘文广2

(1. 内蒙古科技大学工程训练中心， 内蒙古包头014010；

2. 内蒙古科技大学机械工程学院， 内蒙古包头014010)

摘要：轴承故障诊断一直是机械状态监测中的重点及难点之一。近年来，卷积神经网络(convolutional neural network，CNN) 在机器状态监测中得到了广泛的应用，其中在轴承故障诊断领域中也具有很大突破。但由于CNN提取一维特征时由于自身网络特征而产生的一些缺点，导致传统CNN对故障轴承原始振动信号进行处理所得的模型准确率较低且泛化性较差。基于上述问题，改进了传统CNN中的卷积层，提出了改进的CNN网络，将原始轴承振动信号作为输入，提取了信号的深层特征，将该特征输入到分类器中进行轴承故障分类。同时利用内蒙古科技大学轴承振动信号数据集及西储大学轴承振动信号数据集对提出网络进行了有效性论证及泛化性论证，实验表明：相较于传统CNN网络，该网络更具有稳定性，且更具有泛化性。

关键词：卷积神经网络；改进的CNN网络；模式识别；故障诊断

中图分类号：TH133.3    文献标志码：A   文章编号：1009－9492 ( 2020 ) 08－0011－03

Application of Improved CNN-LSTM Network in Bearing Fault Diagnosis

Yang Lanzhu1， Liu Wenguang2

(1. Engineering and Training Center, Inner Mongolia University of Science and Technology, Baotou, Inner Mongolia 014010, China;

2. Inner Mongolia University of Science and Technology, Baotou, Inner Mongolia 014010, China)

Abstract: Bearing fault diagnosis is one of the key and difficult problems in mechanical condition monitoring. In recent years, convolutional neural network(CNN) has been widely applied in machine state monitoring, among which it has made great breakthroughs in the field of bearing fault diagnosis. However, due to the shortcomings of CNN in extracting one-dimensional features due to its own network features, the model obtained by traditional CNN in processing the original vibration signals of fault bearings has low accuracy and poor generalization. Based on the above problems, the convolutional layer in the traditional CNN was improved, an improved CNN network was proposed, the original bearing vibration signal as the input was took, the deep feature of the signal was extracted, and the feature into the classifier for bearing fault classification was input. At the same time, the validity and generalization of the proposed network were demonstrated by using the bearing vibration signal data set of Inner Mongolia university of science and technology and the bearing vibration signal data set of western reserve university.

Key words: convolutional neural network; improved CNN network; pattern recognition; fault diagnosis

引言

轴承是旋转机械的基本部件之一，45%~55%的机器停机是由轴承故障引起的[1]，所以，有效的轴承故障诊断方法是保证机器正常工作的重中之重。但轴承故障诊断一直是故障诊断领域中的难题。

到目前为止，大多数基于数据驱动的智能诊断方法已被应用于轴承故障诊断领域中。如人工神经网络(Artificial Neural Network，ANN)，随机森林和支持向量机(Support Vector Machine，SVM)。利用这些浅层机器学习模型进行轴承故障诊断需要手工提取一系列的振动信号特征(例如方差、能量熵、均方根等)，将所提取的特征作为模型输入从而利用分类器进行故障分类。以往的研究结果表明，特征提取是达到理想诊断准确率的重要前提。但实际上，人为的提取很难准确表征轴承故障特性的有效特征，主要有以下3个难以解决的问题[2]：(1) 需要足够的专业知识和经验知识；(2) 在难以消除的硬件干扰及多变的机械系统环境下，提取的特征也应该是多变的；(3) 手工提取特征可能对数据利用率较低，从而导致有效信息缺失。因此，上述经典的浅层模型不适用于轴承故障诊断。

为了避免上述问题，近年来，各种基于模式识别[3]的深度学习方法被提出，其中CNN受到各个领域的广泛关注。与其他深度学习模型相比，CNN采用权值共享、局部感知和子采样策略，可以显著减少待优化参数数量，使网络训练速度大大提升。同时，由于CNN卷积过程中对局部变化不敏感的特点，使CNN具有了较强的抗噪能力。CNN作为主要的深度学习模型之一，已经成功应用于许多领域。

但由于传统CNN网络自身特性，在用于轴承振动信号深层次特征提取时，在提取过程中往往会产生过拟合现象，导致测试集准确率较低且训练速度较慢。基于此，本文在原有的CNN网络架构基础上对网络进行了改进，增加了一个批归一化(batch normalization，BN) 层[4]，一个指数线性单元层(exponential linear unit，ELU) [5]，并通过实验表明提出的网络更具有有效性及泛化性。

结束语

使用改进的CNN网络来对轴承进行故障诊断，可以避开人工提取特征过程，减少诊断成本。又由于是在海量数据中寻找特征，所以具有更高的泛化性。本文提出的改进的CNN网络可以有效地学习到轴承振动信号深层次特征，相比于使用传统CNN网络，其提取的特征更具有代表性，诊断效果远好于使用传统CNN神经网络。

   商务合作：020-38731337  

免责声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。