旋转机械故障诊断模型的泛化性能研究与改进

泛化能力是机器学习的重要评价指标,由于现实中的工业应用中外部环境十分复杂,在旋转机械工作时,其负载是不断变化的。如何使用一种负载下训练好的网络模型对另一种负载的数据集进行故障诊断是目前众多学者的研究重点。针对网络模型训练与测试时的数据特征分布不同来进行网络泛化性能的改进研究,通过改进网络模型的首层卷积核尺寸与随机失活来加强网络特征提取能力,采用AdaBN优化算法使得网络模型在训练与测试时的参数进行调整,提高网络的泛化能力。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析,结果表明,本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路,具有较强的抗噪性和泛化性能力。