基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

• 作者: 丁健华 乔思康 王子男 白晓天 石怀涛
• 来源期刊: 沈阳建筑大学学报（自然科学版）
• 学科: 工学
• 关键词: 故障诊断 电主轴 深度学习 卷积神经网络 Dropout优化方法
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 机械工程
• 页码范围: 361-369
• 页数: 9页
• 分类号: TH502.15
• 语种: 中文
• DOI: 10.11717/j.issn:2095-1922.2020.02.21

摘要

目的 解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法,该方法在卷积神经网络的训练过程中融入Dropout优化方法,使整个故障诊断模型按照一定的比例随机“关闭”隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012％,远高于基于CNN、CNN +L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的“基于信号处理提取到的特征和机器学习模型”方法,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	石怀涛		20	81	5.0	8.0
2	白晓天		3	0	0.0	0.0
3	王子男		4	13	1.0	3.0
4	乔思康		1	0	0.0	0.0
5	丁健华		1	0	0.0	0.0