摘要
针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法.该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果.开展滚动轴承多故障实验,分析模型优化的合理性和有效性.实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力.将该方法与BP神经网络(BP neural network,BPNN)和支持向量机(support vector machine,SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力.研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴.
NETL
NSTL
维普
万方数据