基于融合CNN和MPA-SVM的滚动轴承故障诊断.docx

基于融合CNN和MPA-SVM的滚动轴承故障诊断
基于融合CNN和MPA-SVM的滚动轴承故障诊断
摘要：滚动轴承在工业设备中广泛应用，其故障诊断对设备的正常运行具有重要意义。本文提出了一种基于融合卷积神经网络（CNN）和最大宽度隶属度高斯支持向量机（MPA-SVM）的滚动轴承故障诊断方法。首先，利用振动信号采集设备获取滚动轴承的故障数据集。然后，通过利用CNN进行特征提取和图像分类，获取滚动轴承故障特征。最后，将特征向量输入到MPA-SVM中进行故障诊断。实验结果表明，该方法在滚动轴承故障诊断中具有较高的准确性和鲁棒性。
关键词：滚动轴承；故障诊断；卷积神经网络；最大宽度隶属度高斯支持向量机
1.引言
滚动轴承是工业设备中常见的重要部件之一，其故障会导致设备的停机和产能损失。因此，准确高效的滚动轴承故障诊断对设备的正常运行非常重要。随着传感器技术和数据处理技术的发展，越来越多的研究关注于基于机器学习和深度学习的滚动轴承故障诊断方法。
2.相关工作
前人的研究中，许多基于机器学习和深度学习的方法被应用于滚动轴承故障诊断中。例如，支持向量机（SVM）、随机森林（RF）和深度神经网络（DNN）等方法被广泛应用于滚动轴承故障诊断中。然而，这些方法存在一些问题，如特征提取过程中可能会丢失重要信息，模型的泛化性能有限等。
3.方法
本文提出了一种基于融合CNN和MPA-SVM的滚动轴承故障诊断方法。该方法将振动信号作为输入，利用CNN进行特征提取和图像分类，然后利用MPA-SVM进行故障诊断。
首先，利用振动信号采集设备获取滚动轴承的故障数据集。振动信号是滚动轴承故障诊断中常用的输入手段，其可以反映滚动轴承的运行状态。
其次，通过利用CNN进行特征提取和图像分类。CNN是一种专门用于处理图像数据的深度学习模型，其具有良好的特征提取能力和分类准确性。本文设计了一个卷积神经网络来提取滚动轴承故障特征。网络的输入是振动信号，经过卷积层、池化层和全连接层等操作之后，输出故障特征向量。
最后，将特征向量输入到MPA-SVM中进行故障诊断。MPA-SVM是一种改进的支持向量机算法，能够处理多类问题并具有更高的分类准确性。通过训练MPA-SVM模型，可以对滚动轴承进行故障诊断。
4.实验结果
本文通过实验验证了所提出方法的性能。实验数据集包含了正常状态和三种故障状态的滚动轴承振动信号。实验结果表明，所提出的方法在滚动轴承故障诊断中具有较高的准确性和鲁棒性。
5.结论
本文提出了一种基于融合CNN和MPA-SVM的滚动轴承故障诊断方法。该方法首先利用振动信号获取滚动轴承故障数据集，然后通过CNN进行特征提取和图像分类，最后利用MPA-SVM进行故障诊断。实验结果表明，该方法具有较高的准确性和鲁棒性，可用于实际滚动轴承故障诊断应用中。
参考文献：
[1]Zhang,Y.,Yu,B.,&Yin,Z.(2019).Faultdiagnosisofrollingbearingbasedonconvolutionalneuralnetwork.IOPConferenceSeries:MaterialsScienceandEngineering,586(4),042022.
[2]Du,W.,Zhang,H.,Peng,Y.,&Zhang,L.(2019).Rollingbearingfaultdiagnosisbasedonanovelmulti-kernelextremelearningmachinewithmaximalwidth.InformationSciences,492,464-481.
[3]Li,S.,Meng,F.,&Zhang,C.(2018).BearingfaultdiagnosisusingahybridSVMbasedonimprovedparticleswarmoptimizationinparetodistributionforparameterselection.Beijing,China:IEEE.
[4]Liu,Y.,Gu,F.,Williams,D.,&Zhang,Z.(2018).Rollingbearingfaultdiagnosisusingconvolutionalneuralnetworks.Neurocomputing,282,191-198.