文章目录

1 基本理论

1.1 卷积层和池化层

1.2 LSTM层

1.3 FPN

2 基于特征金字塔 CRNN 故障诊断方法

2.1 CRNN模块的构建

2.2 基于特征金字塔的特征图构建

2.3 方法介绍

    2.3.1 构建数据集

    2.3.2 网络训练

    2.3.3 网络测试

3 试验验证

3.1 故障模拟试验

3.2 故障信号采集

3.3 网络参数设定

3.4 诊断准确率

3.5 泛用性验证

3.6 效果对比

3.7 t-SNE可视化分析

4 结论

文章摘要:变工况、变载荷设备部件不同故障的特征在信号中所占比例和位置不固定,且包括大量不同场景下的原始振动信号的多尺度复杂性.对此,提出一种基于特征金字塔网络（FPN）的卷积循环神经网络（CRNN）滚动轴承故障诊断方法.利用卷积神经网络（CNN）框架,并联CNN的卷积层和循环神经网络（RNN）中的长短时记忆（LSTM）层,形成新的CRNN,以充分利用CNN对空间域信息和RNN对时域信息的学习能力;在每一层中权值共享,减少网络参数;利用FPN构建全新特征图,输入一维信号和堆叠后形成的二维信号,对传感器采集的信号进行特征提取,实现故障诊断.利用行星齿轮箱进行故障试验,并进行5折交叉验证,该方法的诊断准确率平均值为99.20%,比基本神经网络模型至少高3.62%,表明该方法诊断精度高、鲁棒性强;利用凯斯西储大学轴承数据集进行验证,证明该方法具有良好的泛用性;利用t-SNE方法对模型的特征学习效果进行可视化分析,结果表明不同故障类别特征具有良好的聚类效果.

文章关键词:

项目基金:《现代诊断与治疗》 网址: http://www.xdzdyzlzz.cn/qikandaodu/2021/1212/1783.html