亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SSAE的滾動(dòng)軸承故障的分類預(yù)測

        2021-12-14 01:44:45凌靜
        內(nèi)燃機(jī)與配件 2021年1期
        關(guān)鍵詞:滾動(dòng)軸承

        凌靜

        摘要:本文提出了一種基于堆棧稀疏自編碼器(SSAE)的滾動(dòng)軸承故障類別的自動(dòng)識(shí)別方法。將原始軸承信號(hào)進(jìn)行截?cái)嗵幚恚缺A袅擞杏眯畔?,又?jǐn)U充了樣本數(shù)量,有利于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。采用雙層SAE神經(jīng)網(wǎng)絡(luò)模型,結(jié)合softmax分類器,完成對(duì)軸承故障類別的自動(dòng)識(shí)別,通過對(duì)比實(shí)驗(yàn)表明,本文所提方法穩(wěn)定有效,且準(zhǔn)確率高。

        關(guān)鍵詞:堆棧稀疏自編碼器;滾動(dòng)軸承;神經(jīng)網(wǎng)絡(luò)模型

        中圖分類號(hào):TH165.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào):1674-957X(2021)01-0143-03

        0? 引言

        作為現(xiàn)代制造業(yè)的重要組成部分,軸承在大多數(shù)旋轉(zhuǎn)機(jī)械的可靠運(yùn)行中起著至關(guān)重要的作用。機(jī)械設(shè)備的安全性和穩(wěn)定性由滾動(dòng)軸承的性能所直接影響[1],但是由于經(jīng)常在各種復(fù)雜工況下,軸承容易發(fā)生滾動(dòng)體變形和裂縫等各種缺陷,不僅可能會(huì)造成經(jīng)濟(jì)損失,甚至?xí)戆踩[患。因此如何實(shí)現(xiàn)對(duì)滾動(dòng)軸承的故障檢測和識(shí)別具有重要的意義。

        從某種意義上講,滾動(dòng)軸承故障診斷可視為一個(gè)故障模式識(shí)別過程,通常軸承的故障診斷包含兩個(gè)主要步驟:特征提取和故障識(shí)別[2]。特征提取主要是采用某種數(shù)學(xué)變換,一般根據(jù)經(jīng)驗(yàn)選擇數(shù)學(xué)變換居多,將采集到的原始信號(hào)變換成低維特征空間的新的向量,多種變換得到的多個(gè)新向量組成特征向量,從而能夠更簡潔且更突出的表達(dá)故障的特征信息。故障識(shí)別是一種將提取到的特征向量輸入到設(shè)計(jì)合理的模式分類器來進(jìn)行模式識(shí)別的方法。趙洪山等[3]提出了基于奇異值分解和變分模態(tài)分解的特征提取方法,他采用標(biāo)準(zhǔn)模糊C均值聚類(fuzzy C means clustering,F(xiàn)CM)對(duì)滾動(dòng)軸承進(jìn)行故障的識(shí)別。鄭近德等[4]引入多尺度排列熵(MPE)的概念,利用其對(duì)機(jī)械故障診斷中滾動(dòng)軸承故障進(jìn)行特征提取,再結(jié)合支持向量機(jī)(SVM)對(duì)滾動(dòng)軸承進(jìn)行故障類別的識(shí)別。胥永剛等[5]提出一種基于支持向量機(jī)(SVM)和雙樹復(fù)小波包變換的故障類別識(shí)別方法,先從各個(gè)頻帶分量中提取能量特征參數(shù),再將其輸入到支持向量機(jī)中來進(jìn)行滾動(dòng)軸承的故障類別識(shí)別。雖然傳統(tǒng)的方法在滾動(dòng)軸承故障類別識(shí)別方面取得了巨大的成就,但是軸承故障類別的識(shí)別精度高低與故障特征的提取是否有效息息相關(guān),針對(duì)復(fù)雜且大量的故障特征,為了從中篩選出有效的特征,人工選擇特征面臨著巨大的挑戰(zhàn)。

        近年來,深度學(xué)習(xí)方法在軸承的故障診斷方面提供了新方法和新思路,大大優(yōu)于其他方法[6]。深度學(xué)習(xí)的特點(diǎn)在于它能夠從訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)低層特征,并通過多層網(wǎng)絡(luò)結(jié)構(gòu)的非線性變換逐步形成更加抽象的高層特征,換言之,其可以自動(dòng)提取有效特征。因此人工選擇故障特征不夠較為有效的缺點(diǎn)可以由深度學(xué)習(xí)的理論從根本上彌補(bǔ),通過自動(dòng)提取有效特征,在提高軸承故障類別的識(shí)別精度方面較為可觀。湯芳等[7]提出了一種基于稀疏自編碼(SAE)的深度神經(jīng)網(wǎng)絡(luò),它是一種無監(jiān)督學(xué)習(xí)的方法,利用SAE自動(dòng)提取信號(hào)的有效特征,然后用于滾動(dòng)軸承故障識(shí)別。

        受上述深度學(xué)習(xí)的啟發(fā),在軸承故障識(shí)別研究中,本文提出了一種基于堆棧稀疏自編碼器(SSAE)結(jié)合softmax分類器的方法。堆疊兩層SAE構(gòu)成本文所需的SSAE,從第二層SAE的隱含層中提取特征,輸入到softmax分類器中,最后實(shí)驗(yàn)結(jié)果表明,該方法對(duì)軸承故障分類識(shí)別有較好的分類效果。

        1? 堆棧稀疏自編碼器

        1.1 自編碼器

        自編碼器是一個(gè)神經(jīng)網(wǎng)絡(luò),它由輸入層、隱含層以及輸出層構(gòu)成。從輸入層到隱含層可以看做是一個(gè)編碼的過程,而從隱含層到輸出層可以看做是一個(gè)解碼過程,編碼和解碼的計(jì)算公式如下:

        式(1)和式(2)中,f和g分別是編碼函數(shù)和解碼函數(shù)。sf和sg分別是編碼激活函數(shù)和解碼激活函數(shù),本文選用的是Sigmod函數(shù),w和■為權(quán)重矩陣,兩者互為共軛關(guān)系,另外,p和q分別是編碼和解碼過程中的偏置向量。結(jié)合自編碼器的輸入和輸出,通過反向傳播算法對(duì)權(quán)重矩陣和偏置向量等參數(shù)進(jìn)行更新,迭代多次將會(huì)逐步更新多次,從而使模型更優(yōu)。圖1是自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)圖。

        1.2 堆棧稀疏自編碼器

        堆棧式稀疏自編碼器(SSAE)是由多個(gè)稀疏自編碼器(SAE)堆疊構(gòu)成的,和不同的分類器進(jìn)行連接構(gòu)成了不同的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型[8]。對(duì)堆棧式稀疏自編碼器進(jìn)行訓(xùn)練,得到該層SAE的隱含層相應(yīng)的特征,輸入到激活函數(shù)得到下一個(gè)SAE的輸入,經(jīng)過多次迭代之后,完成對(duì)SSAE的訓(xùn)練。本文選擇了兩層SAE構(gòu)成SSAE,并將第二層SAE的隱含層提取出來輸入到Softmax分類器中,來實(shí)現(xiàn)對(duì)信用卡客戶信用度的分類識(shí)別。其中softmax的輸出為概率分布,且可以得到屬于每個(gè)類別的概率,輸出概率之和為1,輸出概率計(jì)算如式(3),分類器模型結(jié)構(gòu)如圖2所示。

        2? 實(shí)驗(yàn)與分析

        2.1 數(shù)據(jù)描述

        本文采用的數(shù)據(jù)來源于paderborn大學(xué)實(shí)驗(yàn)室,對(duì)6203型滾動(dòng)軸承以高分辨率和采樣率同步測量得到的軸承振動(dòng)信號(hào),數(shù)據(jù)樣本總共分為三類:健康軸承、人為損壞的軸承和由加速壽命測試而造成損壞的軸承。采樣條件有四種:T1、T2、T3和T4。T1表示轉(zhuǎn)數(shù)900rpm、轉(zhuǎn)矩0.7Nm和徑向力1000N的采樣條件;T2表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.1Nm和徑向力1000N的采樣條件;T3表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.7Nm和徑向力400N的采樣條件;T4表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.7Nm和徑向力1000N的采樣條件。

        2.2 實(shí)驗(yàn)流程

        本文對(duì)于原始信號(hào)首先采取的是數(shù)據(jù)截?cái)嗵幚?,將一維原始信號(hào)依次截成每個(gè)樣本信號(hào)為2048個(gè)點(diǎn)的新樣本信號(hào)。每個(gè)原始信號(hào)樣本點(diǎn)數(shù)都達(dá)到了25萬個(gè)點(diǎn),樣本長度過大,采取截?cái)嗖僮?,既?duì)樣本長度進(jìn)行了縮減,又對(duì)樣本數(shù)量進(jìn)行了擴(kuò)充,圖3是各類別截?cái)嘀蟮男盘?hào)圖;接著根據(jù)標(biāo)簽將數(shù)據(jù)分類并進(jìn)行one-hot編碼。截?cái)嘀蟮玫叫聵颖緮?shù)據(jù)有3000個(gè),分為訓(xùn)練集2100個(gè),測試集900個(gè),將訓(xùn)練集輸入到SSAE中進(jìn)行訓(xùn)練,從SSAE中的隱藏層提取出特征,放入softmax分類器中,再利用反向傳播算法更新模型參數(shù),迭代多次之后得到訓(xùn)練完成的網(wǎng)絡(luò)模型。

        2.3 實(shí)驗(yàn)結(jié)果與分析

        通過堆棧稀疏自編碼器與softmax分類器網(wǎng)絡(luò)模型訓(xùn)練,完成了對(duì)軸承故障的分類預(yù)測模型的建立,將測試集輸入到預(yù)測模型中,得到總的準(zhǔn)確率達(dá)到了72.9%。實(shí)驗(yàn)結(jié)果的混淆矩陣如圖4所示。

        圖4中,橫坐標(biāo)表示軸承故障的實(shí)際類別,縱坐標(biāo)表示軸承故障的預(yù)測類別,標(biāo)簽‘1’、‘2’和‘3’分別表示了健康標(biāo)簽、人為損壞標(biāo)簽和加速壽命測試損壞標(biāo)簽,在所有健康測試樣本中,預(yù)測錯(cuò)誤率僅為4.9%;總的準(zhǔn)確率達(dá)到72.9%。

        為了驗(yàn)證本文方法的有效性,另外還分別采用BP模型[9]和SSAE結(jié)合BP模型與本文方法進(jìn)行了對(duì)比性的實(shí)驗(yàn)。同樣利用訓(xùn)練集進(jìn)行模型的訓(xùn)練,測試集輸入到訓(xùn)練好的模型中,得到的結(jié)果為:BP模型的預(yù)測準(zhǔn)確率為52.2%,SSAE結(jié)合BP模型的的預(yù)測準(zhǔn)確率為64.6%。準(zhǔn)確率均低于本文所提方法的72.9%。綜上表明,本文所提方法在軸承故障的分類識(shí)別上具有良好的穩(wěn)定性和準(zhǔn)確性。

        3? 結(jié)論

        本文提出了一種基于堆棧稀疏自編碼器(SSAE)的深度學(xué)習(xí)識(shí)別模型,對(duì)軸承的故障類型進(jìn)行分類。結(jié)果表明:

        ①采用堆棧稀疏自編碼器(SSAE)模型結(jié)合softmax分類器,對(duì)軸承故障數(shù)據(jù)進(jìn)行模型訓(xùn)練,能夠自動(dòng)對(duì)數(shù)據(jù)的自變量進(jìn)行維度的轉(zhuǎn)換且不失數(shù)據(jù)的有效信息,同時(shí)能夠減少后段模型(softmax)的參數(shù)數(shù)量級(jí)。

        ②經(jīng)過實(shí)驗(yàn)對(duì)比得出,本文所提的基于SSAE的深度學(xué)習(xí)方法,在軸承故障的分類識(shí)別上,比傳統(tǒng)的機(jī)器學(xué)習(xí)方法(如BP),具有更好的穩(wěn)定性和準(zhǔn)確性。

        參考文獻(xiàn):

        [1]王曉鳳.齒輪箱中圓錐滾子軸承游隙的應(yīng)用問題研究[J].科技傳播,2014:66-67.

        [2]胡德強(qiáng).滾動(dòng)軸承故障診斷方法綜述[J].內(nèi)燃機(jī)與配件,2019:151-153.

        [3]趙洪山,郭雙偉,高奪.基于奇異值分解和變分模態(tài)分解的軸承故障特征提取[J].振動(dòng)與沖擊,2016,35(22):183-188.

        [4]鄭近德,程軍圣.多尺度排列熵及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].中國機(jī)械工程,2013,24(19):2641-2646.

        [5]胥永剛,孟志鵬,陸明.基于雙樹復(fù)小波包變換和SVM的滾動(dòng)軸承故障診斷方法[J].航空動(dòng)力學(xué)報(bào),2014,29(01):67-73.

        [6]Wu, X.W., D. Sahoo, and S.C.H. Hoi, Recent advances in deep learning for object detection[J]. Neurocomputing, 2020. 396: p. 39-64.

        [7]湯芳,劉義倫,龍慧.稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].機(jī)械科學(xué)與技術(shù),2018,37(03):352-357.

        [8]杜燦誼,林祖勝,張紹輝.參數(shù)優(yōu)化SAE方法及在軸承故障診斷的應(yīng)用[J].控制工程,2019,26(5):957-964.

        [9]任君蘭.基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障信號(hào)診斷[J].內(nèi)燃機(jī)與配件,2019(2):35-37.

        猜你喜歡
        滾動(dòng)軸承
        一種三點(diǎn)接觸球軸承性能試驗(yàn)臺(tái)的研制
        面向風(fēng)力發(fā)電機(jī)組齒輪箱滾動(dòng)軸承故障診斷
        車用滾動(dòng)軸承失效原因分析及使用維護(hù)
        淺析機(jī)械維修過程中的軸承維修
        電動(dòng)機(jī)滾動(dòng)軸承裝配工藝及其方法探討
        商情(2017年1期)2017-03-22 12:06:11
        如何延長拖拉機(jī)滾動(dòng)軸承的使用壽命
        一種滾動(dòng)軸承故障特征提取方法研究
        滾動(dòng)軸承裝配方法及注意事項(xiàng)
        滾動(dòng)軸承安裝使用中的幾個(gè)問題
        基于小波—EMD共振解調(diào)方法在軸承中的應(yīng)用研究
        久久久亚洲精品一区二区| 永久免费看啪啪网址入口| 最好看2019高清中文字幕视频| 国产福利97精品一区二区| 999久久66久6只有精品| 亚洲在中文字幕乱码熟女| 国产婷婷色一区二区三区深爱网| 欧美性猛交aaaa片黑人| 天堂国精产品2023年| 精品无码国产污污污免费网站 | 国产亚洲高清不卡在线观看| 一区二区黄色素人黄色| 日本精品视频一区二区三区四区| 亚洲老妈激情一区二区三区| 久久狠狠高潮亚洲精品暴力打 | 午夜福利理论片在线观看播放| 少妇久久久久久被弄到高潮| 亚洲欧洲国产日产国码无码| 亚洲国产成人无码电影| 宅男视频一区二区三区在线观看| 国产激情一区二区三区| 精品人人妻人人澡人人爽牛牛| 2021久久精品国产99国产| 五月激情四射开心久久久| 狠狠综合久久av一区二区蜜桃| 亚洲色婷婷一区二区三区| 久久九九有精品国产尤物| 最新亚洲视频一区二区| 久青草影院在线观看国产| 蜜桃av抽搐高潮一区二区| 性久久久久久久| 亚洲欧洲日产国码无码| 亚洲黄色精品在线播放| 无码熟妇人妻av影音先锋| 国产精品熟妇视频国产偷人| 男女在线免费视频网站| 国产精品一区二区三区在线蜜桃 | 精品一区二区三区在线观看| 日韩精品一区二区三区在线观看的 | 精品国产乱码久久久久久口爆网站| 无码伊人久久大杳蕉中文无码|