• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      時空神經網絡滾動軸承故障診斷方法

      2020-07-13 07:49:02劉春曉許寶杰劉秀麗
      中國設備工程 2020年13期
      關鍵詞:時空準確率卷積

      劉春曉,許寶杰,劉秀麗

      (北京信息科技大學,北京 100192)

      滾動軸承是使用頻率最高的機械部件之一,更是引起機械故障的常見原因之一。因此,故障存在直接影響了工廠的效益。

      傳統(tǒng)的故障診斷方法,如觀測器方法、濾波器方法,最小二乘法等需要建立相關的數字解析模型,針對性強,泛化性弱,且費時費力。神經網絡法可以快速高效地自動訓練,分層級抓取數據特征信息,可以處理更復雜的數據,具有更復雜的表達能力。

      目前,國內外將深度神經網絡應用于故障診斷已經有一些研究了,如自編碼網絡、卷積神經網絡、循環(huán)神經網絡、深度殘差網絡等,但是,對于其綜合研究還很少。而本文提出的時空神經網絡,具有共享權重、數據降維、深度聯合、結構復雜等特點,是非常全面和有效的網絡。

      1 基本理論

      卷積層由卷積核組成,對數據特征通過窗口進行局部感知從而進行學習,權值共享,參數數量較低,避免了過擬合現象。卷積核的具體運算公式如下:

      圖1 LSTM運算圖

      循環(huán)神經網絡(RNN)的基本思想是將輸入的時序類信息納入考慮。其中的長短時記憶網絡(LSTM),擁有三個“門”結構:輸入門,輸出門,遺忘門。如圖1。分別實現對元細胞記憶的寫入,讀取,重置函數。這些門的存在使得LSTM層可以記憶不確定時間的信息。LSTM每個門的公式定義如下:

      輸入門由兩個部分組成,如式3,4。其中各個參數含義與上式相同。

      細胞狀態(tài)反映了細胞中各個參數數據對當前時刻數據的影響。更新后將用于計算隱藏狀態(tài)。細胞狀態(tài)計算公式如式如下:

      殘差網絡的數據以兩種方式進行向前傳播,可以使得訓練結果可以包含更多的信息:經過DNN運算的權重信息和最初始的信息,如圖2。這提供了并聯數據傳播的思路??梢砸暈閿祿c元素全為1的并聯權重矩陣ResNet的傳播公式如下:

      圖2 ResNet網絡結構

      2 時空神經網絡方法

      時空神經網絡是本文提出的新的網絡融合方式?,F有的混合網絡應用通常是在最后的全連接層將網絡輸出聯合訓練,或是串行處理。本文將結合各個網絡的特長,使其在每層中同時具備對空間域和時域信號的學習能力。為實現該思想,需要將卷積層和LSTM進行并行處理。這就可以使用并聯網絡和文獻的理論。時間域和空間域信息是振動信號的基本特征和所需保障。

      2.1 復合層的構建

      網絡結構的并行運算中,需要保證所并行的兩者的輸出具有相同的數據結構,保證編碼過程中數據結構變化的相同性。

      圖3 卷積——LSTM層

      復合層結構如圖3。復合層是將卷積層和LSTM結構并聯編碼。在卷積層支路對輸入數據編碼,最終得到的數據結構為32份24×128的數據。

      在LSTM支路同樣對輸入數據進行編碼,設置和輸入同樣大小的隱藏層,經過多輪循環(huán),可以得到編碼后的同構數據。需要滿足LSTM循環(huán)輪數等于卷積核數。如圖3所示,LSTM編碼后的數據需要經過轉置才能得到符合結構要求的數據組。

      由復合層向前傳播的公式可以表示為

      借用ResNet的并聯網絡思想,可以將兩支路網絡的輸出直接相加而不必求均值。在反向傳播調整參數的過程中,根據梯度下降原理,可以自動調整這方面的誤差。

      2.2 目標函數

      損失函數的選擇,可以先使用似然函數來評估參數W如式(8)(9)(10)。

      2.3 時空神經網絡整體結構

      時空神經網絡的結構如圖4所示。該網包含兩個復合層,兩個池化層,一個全連接隱含層,最后再加入softmax分類器。診斷信號通過第一個復合層,變?yōu)橐唤M特征圖(Feature Maps),再經過最大值池化進行降采樣。重復一次以上操作,將最后一個池化層的特征圖與全連接隱含層相連,傳遞到最后的 softmax 層。卷積神經網絡的結構參數如表1所示。

      圖4 時空網絡結構圖

      3 試驗驗證

      3.1 試驗系統(tǒng)及試驗數據

      試驗數據由振動信號測試系統(tǒng)振動信號構成。系統(tǒng)整體結構如圖5所示。本文試驗分析采用的三級行星齒輪箱型號為HS300-L3-77-H1,輸出軸轉速700r/min,傳感器的布置位置如圖2所示。試驗研究軸承為齒輪箱主軸軸承,測點3和測點4分別用于測試y方向和x方向的振動加速度。經理論推導和試驗結果表明,x方向振動信號較為明顯,因此,本文選用x方向的振動加速度信號。采樣頻率為20.48kHz,每組信號采樣時間為10s。軸承故障被劃分為內圈故障,外圈故障,滾珠故障,選取空載下的4種狀態(tài)的振動信號分別處于試驗采集, x方向振動加速度曲線如圖6所示。

      3.2 試驗結果及分析

      (1)數據預處理。本文所使用的數據為時序振動峰值一維信號,再對數據進行截取拆分。拆分法為順序抽樣法:依次截取固定長度的信號進行分析。因為CNN的降維特性,所以拆分后的單個數據要求可以被整除,其中,n表示池化層的層數。數據長度的第二個要求為:長度大于軸承單周期。L≥60f/N即其中L表示抽取數據的長度,f表示采樣頻率,N表示轉速。根據所設計的神經網絡和試驗臺,最終選擇順序抽樣法,這樣可以更有效且不重復的利用數據。

      (2)試驗臺數據試驗結果及分析。應用試驗數據進行分析。最終選取采樣長度為3072。

      三種工況中,滾子、內圈故障和外圈故障樣本數均為50組,正常運轉樣本數量為40組,選取其中的80%作為訓練集樣本,剩余的作為測試集。再將其堆疊為24×128的二維樣本,進行訓練和檢測。通過訓練時空神經網絡網絡,其準確率曲線圖如圖7所示。

      圖5 試驗臺

      表1 時空神經網絡結構參數

      圖6 x方向振動加速度曲線圖

      圖7 準確率曲線圖

      進一步對時空神經網絡進行5折交叉驗證,重復三次。結果如表2所示。其中識別率的最低值為97.93%,證明本文論述的時空神經網絡可以有效地對振動信號進行分類。

      表2 時空神經網絡5折交叉驗證結果(%)

      對比不同網絡和時空神經網絡的準確率,可以得到表格3。這表明,時空網絡對于振動幅值信號的分析能力要強于其他網絡。

      表3 不同網絡數據分類準確率(%)

      4 結語

      (1)通過結合卷積神經網絡,循環(huán)神經網絡,殘差神經網絡創(chuàng)新出的時空神經網絡可以很好地實現對振動信號識別和分類。測試集準確率最低為97.93。(2)通過復合網絡對齒輪箱加速度振動信號進行了故障診斷,僅對數據進行歸一化處理和維數轉換,省略了特征工程環(huán)節(jié)。(3)簡化了故障診斷的流程。(4)通過改變二維信號樣本的行列數,討論了堆疊方式的改變對復合網絡的分類準確率的影響,并進一步優(yōu)化了復合網絡的分類效果。(5)通過對比卷積神經網絡,循環(huán)神經網絡,殘差網絡,時空神經網絡,發(fā)現時空神經網絡可以更好地識別振動加速度信號。

      猜你喜歡
      時空準確率卷積
      跨越時空的相遇
      基于3D-Winograd的快速卷積算法設計及FPGA實現
      乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
      健康之家(2021年19期)2021-05-23 11:17:39
      不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
      2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
      鏡中的時空穿梭
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      玩一次時空大“穿越”
      高速公路車牌識別標識站準確率驗證法
      基于傅里葉域卷積表示的目標跟蹤算法
      大厂| 内乡县| 庆阳市| 万源市| 海南省| 高清| 本溪| 木里| 镇沅| 曲阳县| 孙吴县| 五大连池市| 丹巴县| 福泉市| 陕西省| 灵台县| 乌鲁木齐县| 开鲁县| 镇赉县| 长治县| 佛学| 衡东县| 庐江县| 建德市| 车致| 湘潭县| 北安市| 广州市| 孙吴县| 广汉市| 磐安县| 台湾省| 永川市| 临清市| 中卫市| 余江县| 巍山| 襄樊市| 万载县| 白银市| 庆安县|