基于CNN-SVM的深度卷积神经网络轴承故障识别研究.pdfVIP

基于CNN-SVM的深度卷积神经网络轴承故障识别研究

胡晓依;荆云建;宋志坤;侯银庆

【期刊名称】《《振动与冲击》》

【年(卷),期】2019(038)018

【总页数】6页(P173-178)

【关键词】卷积神经网络;支持向量机;振动信号;故障识别

【作者】胡晓依;荆云建;宋志坤;侯银庆

【作者单位】中国铁道科学研究院铁道科学技术研究发展中心北京100081;北京

交通大学机械与电子控制工程学院北京100044

【正文语种】中文

【中图分类】TH17

基于数据驱动的智能诊断主要是通过机器学习方法对由信号处理得到的故障特征进

行分类识别，常用的识别算法有：支持向量机(SupportVectorMachine,SVM)、

人工神经网络(ArtificialNeuralNetwork，ANN)、邻近1算法(k-Nearest

Neighbor，KNN)等，识别效果取决于故障特征能否准确地反映出故障类型的本

质区别，虽然传统智能诊断取得了重要成果，但基于模式识别的“浅层网络”模型

表达能力有限、泛化能力不足，且依赖于信号处理技术和故障诊断经验[1]。而深

度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理

技术依赖的同时也满足了工业大数据背景下海量、高维数据的分析需求[2]。近年

来国内外学者对深度学习应用于故障诊断已作出一些研究，如Jia等[3]针对不平衡

样本数据集，通过正则化权值、加权损失函数等改进卷积神经网络，对非平衡样本

下的滚动轴承故障进行识别，并且对卷积核的物理意义作了探究；Shao等[4]提出

改进的压缩感知卷积深度置信网络用于滚动轴承振动信号的特征学习与故障识别，

使用压缩感知减少振动数据量以提高分析效率，再通过高斯可见单元构建CDBN

模型对轴承故障进行分类识别；袁建虎[5]提出基于小波时频图和卷积神经网络的

诊断方法，对振动信号进行连续小波变换得到以灰度图显示的时频图作为故障特征，

通过卷积神经网络识别滚动轴承故障。王丽华等[6]使用短时傅里叶变换将振动信

号转换为时频图后通过卷积神经网络识别异步电机故障，取得了理想的识别效果，

基于深度学习理论建立故障诊断模型的研究已初见成效,但均存在计算量庞大、模

型复杂度高、模型训练较困难等问题。

本文使用深度学习的经典算法-卷积神经网络(ConvolutionalNeuralNetwork，

CNN)，并将支持向量机融入模型，引入深度学习的模型优化技术，提出适于轴承

故障诊断的CNN-SVM深度卷积神经网络模型，模型直接作用于原始实测轴承振

动信号，自适应地从原始数据中逐层学习故障特征，模型顶层分类器实现不同故障

的精细化识别，文中引入批量归一化(BatchNormalization，BN)与dropout等

模型优化技术配合改进型的SVM分类器，来提升模型的收敛速度与泛化能力。

1CNN卷积神经网络架构与算法原理

1.1卷积层与池化层

卷积层中一定大小的卷积核遍历输入特征图，与特征图的局部区域作如式(1)所示

的卷积运算，式(1)中：为第l层第j个卷积核输出的特征图；Mi为第l-1层输出

特征图集合；为第l-1层输出的第i个特征图；为第l层第j个卷积；为对应偏置

项；f(·)为激活函数。卷积后再经过激活函数的非线性转化，将线性不可分的多维

特征映射到线性可分性强的空间，得到新的特征。本文拟采用如式(2)所示的Relu

激活函数。

池化层又称下采样层，对卷积得到特征图做进一步压缩，以均值池化和最大值池化

最为常见，池化层的计算公式如式(3)所示，本文拟采取最大值池化方式。

(1)

(2)

(3)

1.2全连接层与SVM分类器

卷积池化后的特征图进入全连接层进行分类，首先需将卷积后的特征图光栅化为一

维向量，使得局部特征在更高维度上进行全局信息整合。

针对滚动轴承一维振动信号和数据集样本数量较少的问题，本文引入针对小样本数

据分类效果更为稳定的SVM分类器。SVM是建立在统计学习理论和结构风险最

小化原理基础上的机器学习算法，通过定义适当的核函数实现非线性变换将输入空

间变换到线性可分的高维空间，找到高维空间的最优线性超平面[7]。传统支持向

量机解决二分类问题，而针对滚动轴承不同故障部位和不同故障程度的多分类问题，

可采用“一对多”、“一对一”和“有向无环图”等方法实现多分类，本文拟采用

“一对一”法，即针对N类样本，每两类样