基于GADF与卷积神经网络的滚动轴承故障诊断研究 .pdfVIP

第３８卷第５期工

２０２１年５月ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＭａｙ２０２１

ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１－４５５１.２０２１.０５.０１０

基于ＧＡＤＦ与卷积神经网络的滚动

轴承故障诊断研究∗

刘红军ꎬ魏旭阳

(沈阳航空航天大学机电工程学院ꎬ辽宁沈阳１１００００)

摘要:为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ提出了一种格拉姆角差场(ＧＡＤＦ)结合改进卷积神经网

络(ＣＮＮ)的智能故障诊断模型ꎮ首先ꎬ将一维时序振动信号通过格拉姆角差场转化为二维图像ꎬ提取了图像特征ꎬ并输入了改进后

的ＣＮＮ模型ꎻ其次ꎬ改进的ＣＮＮ模型采用全局池化层替代了传统的全连接层ꎬ有效地解决了传统ＣＮＮ模型参数爆炸的问题ꎻ最后ꎬ

进行了试验研究ꎬ通过Ａｄａｍ小批量优化法进行了迭代训练ꎬ达到了理想的检测精度ꎮ试验与研究结果表明:该诊断方法在特征提

取方面更快速、准确ꎬ充分展现了ＣＮＮ模型的非线性表达能力ꎬ检测精度优于其他智能诊断算法ꎮ

关键词:格拉姆角差场ꎻ故障诊断ꎻ卷积神经网络ꎻ深度学习

中图分类号:ＴＨ１３３.３３文献标识码:Ａ文章编号:１００１－４５５１(２０２１)０５－０５８７－０６

ＲｏｌｌｉｎｇｆａｕｌｔｂｅａｒｉｎｇｄｉａｇｎｏｓｉｓｂａｓｅｏｎｄＧＡＤＦａｎｄ

ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ

ＬＩＨＵｏｎｇ￣ｊｕｎꎬＷＥＩＸｕ￣ｙａｎｇ

(ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＡｅｒｏｓＵｐｎｉａｃｅｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１００００ꎬＣ

Ａｂｓｔｒａｃｔ:Ｉｎｏｒｄｔｏｅｒｇｉｆｕｌｌｖｅｐｌａｙｔｏｔｈｅａｄｖａｎｔａｇｅｓｏｆｄｅｅｌｅａｒｎｉｎｇｐｒｅｃｏｇｎｉｔｉｏｎｉｎｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｉｎｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄ

ａｎｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｂｅｌａｓｅｏｎＧｒａｍｄａｎｇｌｅｄｉｆｆｅｒｅｎｃｅｆｉｅｌ(ＧＡＤＦ)ｄａｎｉｍｄｐｒｏｃｏｎｖｅｄｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗ(ｏｒＣＮＮ)ｋｗ

ｐｒｏｐｏｓｅＦｉｒｓｔｌｙꎬｄ.ｔｈｅｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌｔｉｍｅｓｅｒｉｅｓｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｔｒａｎｓｆｏｒｍｅｉｎｔｏａｔｗｏ￣ｄｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｔｈｒｏｕｇｈｔｈｅｇｒａｍ

ｄｉｆｆｅｒｅｎｃｅｆｉｅｌａｎｄｔｈｅｄꎬｔａｒｇｅｔｉｍａｇｅｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅａｎｉｎｄｐｄｉｎｔｏｕｔｔｈｅｉｍｐｒｏＣＮＮｖｅｍｏｄｄｅｌ.Ｓｅｃｏｎｔｈｅｄｇｌｏｌｙꎬｐｂｏｏｌｉｎｇａｌ

ｓｔｅａｏｆｔｈｅｄｔｒａｄｉｔｉｏｎａｌｆｕｌｌｃｏｎｎｅｃｔｉｏｎｌａｙｅｒｗａｓｕｓｅｂｄｙｔｈｅｉｍｐｒｏＣＮＮｖｅｍｏｄｄｅｌꎬｗｈｉｃｈｅｆｆｅｃｔｉｓｏｌｖｔｈｅｖｅｌｙｅｐｄｒｏｂｏｆｌｅｍｐｅｘｐ

ｓｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＣＮＮｍｏｄｅｌ.ＦｉｎａｌｌｙｔｈｅｉｄｅａｌｄｅｔｅｃｔｉｏｎｔｈｒｏｕｇｈｉｔｅｒａｔｉｔｒａｉｎｉｎｇｗｖｅｉｔｈＡｄａｍｓｍａｌｌｂａｔｃｈｏｐｔｉｍｉｍｅｔｈｏｚａｔｉｏｎｄ

ｗａｓａｃｈｉｅＴｖｈｅｅｔｅｓｔｄ.ａｎｃｏｍｄｐａｒｉｓｏｎｒｅｓｕｌｔｓｓｈｏｔｈａｔｗｔｈｅｄｉａｇｎｏｓｉｓｍｅｔｈｏｉｓｍｏｒｅｄｒａｐａｎｉｄａｃｃｕｒａｔｅｄｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎬｆｕｌｌｙｄ

ｓｔｒａｔｅｓｔｈｅｎｏｎｌｉｎｅａｒｅｘｐｒｅｓｓｉｏｎａｂｉｌｉｔｙｏｆＣＮＮｍｏｄｅｌꎬａｎｔｈｅｄｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｉｓｂｅｔｔｅｒｔｈａｎｔｈｅｏｔｈｅｒｉｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓ

Ｋｅｙｗｏｒ:ｄＧｒａｍｓａｎｇｌｅｄｉｆｆｅｒｅｎｃｅｆｉｅｌｆａｕｌｔｄ