基于深度学习的机械轴承故障智能诊断分析.pdfVIP

基于深度学习的机械轴承故障智能诊断

分析

摘要：为解决现有算法模型过于简单而导致部分轴承故障诊断中存在的诊断

准确率低、稳定性差等问题，本文拟研究一种基于深度学习的智能故障诊断新方

法。首先，利用小波技术对采集到的数据进行降噪；其次，采用Dropout正则化

方法，利用深度卷积神经网络对样本进行自动学习，以避免过拟合；最后，利用

SVC模块构建支持向量机分类器，并利用Adam算法对其进行建模与优化。通过对

试验数据的分析，得出该方法的平均故障检出率为99.7%，在工业生产中对装备

的故障诊断有重要的指导作用.

关键词：深度学习；机械轴承；故障诊断；智能化

引言

智能化故障诊断技术是提升智能制造系统可靠性的关键技术之一。以深度学

习为基础的故障诊断技术已在工业生产中获得了广泛应用，然而，不同的模型所

获得的特征往往不一致，基于深度学习的机械轴承故障智能诊断分析会首先利用

Fourier变换提取故障信号的时频特征，并将其输入到基于LSTM与CNN的CLOD

中，再根据CLOD的特点，对所提取的时频谱样本进行训练、参数更新，从而达

到准确、智能诊断的目的。与传统算法相比，CLOD算法不仅能提高算法的精度，

而且还能提高算法的精度。

一、问题提出的背景

现代机械装备广泛应用于生产和生活，并向大型化、精密化和智能化方向发

展，轴承是现代机械装备的重要组成部分，起着支撑和减小转动时的摩擦、确保

转动精度的作用，开展轴承智能状态监测与故障诊断方法的研究，对于减少因设

备故障而造成的人力、物力损失、实时掌握设备运行情况具有重要意义。基于深

度学习的机械轴承故障智能诊断分析是一种通过数据驱动方法，从海量的历史数

据中提取设备的描述关系和信息，并将其与故障类型进行映射的新的诊断方法。

此外，该方法还可实现对混合振动信号的自动识别，从而降低人工识别的复杂度

与工作量。基于深度学习的机械轴承故障智能诊断分析法因其结构可调整、领域

信息可自适应检索等优势，较传统人工抽取方法更具代表性。卷积神经网络是当

前最常用的深度学习网络[1]。为解决上述问题，本文拟采用基于卷积神经网络的

CLOD技术，开展基于CLOD的轴承故障智能诊断研究，并在此基础上，提出了一

种新的神经网络模型。首先，对一维振动信号进行短时傅里叶变换，构建含有时

频信息的特征谱，并将该特征谱引入到CNN中，对其进行特征提取，进而采用

LSTM模型对其进行故障特征学习，最终在分类层上实现故障诊断。

二、理论背景

（一）短时傅里叶变换

短时傅里叶变换（STFT）能够将一维非稳定信号转化为两维的矩阵，且其计

算效率较高，且具有很强的鲁棒性。短时傅里叶变换利用一个固定的窗口函数对

一个时序信号进行截断，从而获得一个时序上的局域谱。利用STFT可以获得同

时包含时间和频率两个方面的特征谱。具体的计算公式是，

其中，是时间域的信号；是在τ时刻的一个时间窗。

（二）长短期记忆人工神经网络

长短期记忆人工神经网络（LSTM）是一种基于STFT的时间序列预测方法。

在此基础上，利用卷积神经网络对所得到的数据进行抽取，并将其输入到LSTM

中，然后对其进行训练。其中，最小二乘模型的单位模型主要包括遗忘门、输入

门、输出门。遗忘门是影响输入特征通过率的主要因素，其计算公式为

。其中，加权值为，偏差值为；代表上一单位的输出量，

代表当前单位的输入量；代表sigmoid函数。LSTM的输出是由输出门的输

出O，计算公式为；加上存储器单元的输出C来确定的，它的

ii

计算公式是，其中，是输出门的权重，是偏置。

（三）深度卷积神经网络（DCNN）

DCNN是一种由多个卷积层、池化层和完全连通层构成的、更深层次的卷积神

经网络。在卷积层中，卷积核会执行卷积运算，把相应的元索以矩阵形式输入到

被翻转的卷积核相乘后相加，从而得到特征。特征值