CNN的滚动轴承故障诊断研究.PDFVIP

第３７卷 第２期 轻工机械 Ｖｏｌ．３７Ｎｏ．２ 　 ２０１９年４月 　 ＬｉｇｈｔＩｎｄｕｓｔｒｙＭａｃｈｉｎｅｒｙ 　 Ａｐｒ．２０１９ 　 　［自控 ·检测］ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００５２８９５．２０１９．０２．０１２ 基于ＤｒｏｐｏｕｔＣＮＮ的滚动轴承故障诊断研究 张文风，周　俊 （上海工程技术大学机械与汽车工程学院，上海　２０１６２０） 摘　要：针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题，提出一种基于Ｄｒｏｐｏｕｔ的改进卷积神 经网络（ＤｒｏｐｏｕｔＣＮＮ）结构，可以无需预先提取滚动轴承振动信号的故障特征，直接端到端的实现滚动轴承故障诊断。 该方法以振动信号为监测信号，使用傅里叶变换生成振动信号频谱图，以此作为整个系统的输入，利用卷积神经网络强 大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率高达９９．５％。该 方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。 关　键　词：滚动轴承；故障诊断；Ｄｒｏｐｏｕｔ；卷积神经网络；深度学习；振动信号；特征提取 中图分类号：ＴＰ２７７　　　文献标志码：Ａ　　　文章编号：１００５２８９５（２０１９）０２００６２０６ ＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄｏｆＲｏｌｌｉｎｇＢｅａｒｉｎｇＢａｓｅｄｏｎＤｒｏｐｏｕｔＣＮＮ ＺＨＡＮＧＷｅｎｆｅｎｇ，ＺＨＯＵＪｕｎ （ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＡｕｔｏｍｏｔｉｖｅＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ，ｓｈａｎｇｈａｉ２０１６２０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｄｉｆｆｉｃｕｌｔｙｏｆｔｈｅｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｔｈｅｌｏｗａｃｃｕｒａｃｙｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌ ｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄ，ａｎｉｍｐｒｏｖｅｄｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＤｒｏｐｏｕｔＣＮＮ）ｓｔｒｕｃｔｕｒｅｂａｓｅｄｏｎＤｒｏｐｏｕｔｗａｓ ｐｒｏｐｏｓｅｄｔｏｒｅａｌｉｚｅｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｄｉｒｅｃｔｌｙｆｒｏｍｅｎｄｔｏｅｎｄｗｉｔｈｏｕｔｅｘｔｒａｃｔｉｎｇｔｈｅｆａｕｌｔｆｅａｔｕｒｅｓｏｆ ｒｏｌｌｉｎｇｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｉｎａｄｖａｎｃｅ．Ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｕｓｅｄａｓｔｈｅｍｏｎｉｔｏｒｉｎｇｓｉｇｎａｌａｎｄｔｈｅｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍｏｆｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｇｅｎｅｒａｔｅｄｂｙＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ．Ｔｈｅｆａｕｌｔｆｅａｔｕｒｅａｎｄｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｃａｎｂｅ ａｕｔｏｍａｔｉｃａｌｌｙｃｏｍｐｌｅｔｅｄｂｙｕｓｉｎｇｔｈｅｐｏｗｅｒｆｕｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｃａｐａｂｉｌｉｔｙｏｆｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｖｅｒａｇｅｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙｏｆｔｈｉｓｍｅｔｈｏｄｉｓａｓｈｉｇｈａｓ９９．５％．Ｉｔｒｅａｌｉｚｅｓａｄａｐｔｉｖｅ ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｆａｕｌｔｓｔａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆａｕｌｔｔｙｐｅｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｎｄｅｒａｇｒｅａｔｑｕａｎｔｉｔｙｏｆ ｓａｍｐｌｅｓ． Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；Ｄｒｏｐｏｕｔ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｖｉｂｒａｔｉｏｎｓｉ