基于多尺度卷积神经网络的滚动轴承故障诊断

一、实验数据

采用美国凯斯西储大学(CWRU) 轴承数据库的样本进行实验分析,选取48K采样频率不同负载下的故障轴承振动数据用于实验分析。本文实验样本选取用1 hp 下 10 种故障状态振动信号,构建数据集,每类样本长度为1024,其中,随机选择80%的样本作为训练集对模型进行训练,20%的样本作为测试对模型进行测试。具体信息如下。
基于多尺度卷积神经网络的滚动轴承故障诊断_第1张图片

二、模型框架

模型在1D_CNN中卷积层前添加一个多尺度的信息融合层,即经过数据处理层后,利用大尺度的3种不同的卷积核分别对输入的信号进行卷积操作,并对所提取的特征进行融合,增加频带信息,模型结构如下。
基于多尺度卷积神经网络的滚动轴承故障诊断_第2张图片

三、实验验证

模型第一层多尺度卷积核的长度分别设置为100、200和300,激活函数为Relu,池化类型为最大池化,批处理量大小为20,迭代次数设置为30。在每个卷积层后,采用批归一化方法来提高模型的性能。经过30次迭代后,模型输出在测试集的平均准确为 99. 06%,如下图所示。
基于多尺度卷积神经网络的滚动轴承故障诊断_第3张图片
为了更清楚的展示模型在测试集中各个类别的识别结果,引入多分类混淆矩阵对实验结果进行详细分析,如下图。
基于多尺度卷积神经网络的滚动轴承故障诊断_第4张图片

四、泛化性能实验

训练集仍采用1hp 下的负载进行模型训练,测试集分别选取 0hp、2 hp 、3 hp 负载下相对应的 10 种故障状态的样本对模型进行测试。利用T-SNE技术对全连接层学习到的特征进行可视化对实验结果进行表示,如下所示。
基于多尺度卷积神经网络的滚动轴承故障诊断_第5张图片
结果可以看到,不同负载下的散点图仍有大部分样本聚集在自己的区域,并且与其他的样本很好的分离,说明模型学习到了表征故障的鲁棒的非线性特征。

你可能感兴趣的:(多尺度卷积,轴承故障诊断,1D_CNN,深度学习,神经网络,cnn)