2019年4月1日,我正式接触硕士期间的研究课题——用深度学习研究轴承故障诊断。
滚动轴承作为机械设备的易损部件,其健康状态对整个机械设备的性能、稳定性及使用寿命有着巨大影响。建立稳定可靠的实时故障诊断系统是保证这些设备安全运行的必要条件。
基于“信号处理的特征提取+机器学习”分类的传统诊断方法需要大量信号处理技术和诊断经验,已经不能满足滚动轴承的智能诊断要求。卷积神经网络具有“端到端”的特点,即可以通过一个神经网络完成特征提取、特征降维与分类器分类这一整套过程。卷积神经网络的这个特点无疑弥补了当下故障诊断方式的不足,为故障诊断提供了一种崭新的研究思路。
本课题研究内容参考哈工大张伟的硕士论文,在其基础上改进并创新。
2019年4月1日——2019年7月20日完成对现有代码的复现和创新,自己做了对比实验,采用单独的CNN网络轴承故障识别率可以达到87.8%,我将CNN与LSTM结合使用,轴承故障识别率可以达到98%左右。
2019年暑假末,我写完自己的第一篇中文论文。一直持续到研二上学期结束,一直在修改中文论文,先后投过中国机械工程、机械工程学报,轴承期刊等均被拒稿,拒稿理由就是创新性不足,以及别的图标问题。
在创新性方面,仅仅使用CNN网络进行空间上的特征提取,以及结合LSTM网络进行时间上的特征提取是远远达不到创新需求的。对此,经过一次又一次查阅文献和阅读论文(具体参考论文可以参考西安交通大学雷亚国老师的论文),将残差思想引入CNN—LSTM网络中&