循环相关熵和一维浅卷积神经网络轴承故障诊断.pdfVIP

循环相关熵和一维浅卷积神经网络轴承故障诊断

摘要：针对传统二维深度卷积神经网络结构复杂、易产生过拟合和难以有效处理低信噪比信号的问

－

题，提出了一种基于循环相关熵和一维浅卷积神经网络的故障诊断ＣＣｅ⁃１ＤＳＣＮＮ方法。该方法

综合利用了一维浅卷积神经网络结构简单、计算复杂度低和循环相关熵能在低信噪比环境下有效

提取故障特征的优点。首先，计算轴承故障振动信号的循环相关熵函数、循环相关熵谱密度函数和

广义循环平稳度；其次，将一维归一化的广义循环平稳度作为一维浅卷积神经网络的输入层，通过

一维浅卷积神经网络自动实现故障特征提取和模式分类；最后，将ＣＣｅ⁃１ＤＳＣＮＮ方法应用于电机

轴承故障特征提取和分类，实验结果表明：ＣＣｅ⁃１ＤＳＣＮＮ方法在低噪声比情况下仍能保持很高的

模式识别正确率，为一种自动故障特征提取和模式识别的有效方法。

关键词：循环相关熵；一维浅卷积神经网络；深度学习；循环平稳信号；故障诊断

ＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓＢａｓｅｄｏｎＣｙｃｌｉｃＣｏｒｒｅｎｔｒｏｐｙａｎｄ

Ｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌＳｈａｌｌｏｗＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ

Ａｂｓｔｒａｃｔ：Ｔｈｅｔｒａｄｉｔｉｏｎａｌｔｗｏ⁃ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（２ＤＣＮＮ）ｎｏｔｏｎｌｙｈａｓｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌ

ｃｏｍｐｌｅｘｉｔｙａｎｄｉｓｅａｓｉｅｒｔｏｏｖｅｒｆｉｔｔｉｎｇ，ｂｕｔａｌｓｏｉｓｄｉｆｆｉｃｕｌｔｔｏｄｅａｌｗｉｔｈｌｏｗｓｉｇｎａｌ⁃ｔｏ⁃ｎｏｉｓｅｒａｔｉｏ（ＳＮＲ）ｓｉｇｎａｌ

ｅｆｆｅｃｔｉｖｅｌｙ．Ｉｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆ２ＤＣＮＮ，ａｎｅｗｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｃｙｃｌｉｃｃｏｒｒｅｎｔｒｏｐｙ

（ＣＣｅ）ａｎｄｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｓｈａｌｌｏｗｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（１ＤＳＣＮＮ）ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｉｓｎｅｗｍｅｔｈｏｄ（ＣＣｅ⁃１Ｄ

ＳＣＮＮ）ｍａｋｅｓｆｕｌｌｙｕｓｅｏｆｔｈｅａｄｖａｎｔａｇｅｓｏｆ１ＤＳＣＮＮａｎｄＣＣｅ，ｉｎｗｈｉｃｈｔｈｅ１ＤＳＣＮＮｈａｓｓｉｍｐｌｅｓｔｒｕｃｔｕｒｅａｎｄｌｏｗ

ｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙ．Ｆｉｒｓｔｌｙ，ｔｈｅｃｙｃｌｉｃｃｏｒｒｅｎｔｒｏｐｙｆｕｎｃｔｉｏｎ，ｔｈｅｃｙｃｌｉｃｃｏｒｒｅｎｔｒｏｐｙｓｐｅｃｔｒａｌｄｅｎｓｉｔｙ（ＣＣＳＤ）

ｆｕｎｃｔｉｏｎａｎｄｇｅｎｅｒａｌｉｚｅｄｄｅｇｒｅｅｏｆｃｙｃｌｏｓｔａｔｉｏｎａｒｙ（ＤＣＳ）ｏｆｂｅａｒｉｎｇｆａｕｌｔｖｉｂｒａｔｉｏｎｓｉｇｎａｌａｒｅｃａｌｃｕｌａｔｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｈｅ

ｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｎｏｒｍａｌｉｚｅｄｇｅｎｅｒａｌｉｚｅｄｄｅｇｒｅｅｏｆｃｙｃｌｏｓｔａｔｉｏｎａｒｙｉｓｕｓｅｄａｓｔｈｅｉｎｐｕｔｌａｙｅｒｏｆｏｎｅ⁃ｄｉｍｅｎｓｉｏｎａｌｓｈａｌｌｏｗ

ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｒｅａｕｔｏｍａｔｉｃａｌｌｙｒｅａｌｉｚｅｄｂｙｏｎｅ⁃

ｄｉｍｅｎｓｉｏｎａｌｓｈａｌｌｏｗｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅＣＣｅ⁃１ＤＳＣＮＮｍｅｔｈｏｄｉｓａｐｐｌｉｅｄｔｏｆａｕｌｔｆｅａｔｕｒｅ

ｅｘｔｒａｃｔｉｏｎａｎｄｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｍｏｔｏｒｂｅａｒｉｎｇｆａｕｌｔ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＣＣｅ⁃１ＤＳＣＮＮ

ｔｅｃｈｎｉｑｕｅｃａｎｓｔｉｌｌｍａｉｎｔａｉｎａｈｉｇｈａｃｃｕｒａｃｙｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｉｎｔｈｅｃａｓｅｏｆｖｅｒｙ