基于改进的卷积神经网络和子搜索算法的滚动轴承故障诊断研究
Min Wan1, Yujie Xiao1, Jingran Zhang1
1School of Mechatronic Engineering, Southwest Petroleum University, Chengdu 610500, China.
The Review of scientific instruments
|April 9, 2024
概括
本研究介绍了一种优化的1DCNN-SVM模型,用于滚动轴承的智能故障诊断. 小搜索算法 (SSA) 提高了准确性和效率,特别是在数据有限的情况下.
科学领域:
- 工程 工程师 工程师 工程师
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 由于手动的特征提取,滚动轴承的传统故障诊断方法缺乏稳定性.
- 现有的卷积神经网络 (CNN) 通常具有太多的参数,需要大量的训练数据.
研究的目的:
- 开发一种新,强大,高效的滚动轴承故障诊断算法.
- 为了解决手动特征提取的局限性和现有方法中的高数据要求.
主要方法:
- 将一维CNN (1DCNN) 与支持矢量机 (SVM) 集成到1DCNN-SVM模型中.
- 使用Sparrow搜索算法 (SSA) 优化1DCNN-SVM模型的超参数.
- 整合批量规范化和掉落层,以提高准确性并防止过拟合.
主要成果:
- 优化了SSA的1DCNN-SVM模型在CWRU数据集上实现了超过98%的诊断准确度.
- 与传统故障诊断模型相比,显示出显著的改进.
- 显示了处理时间的大幅缩短和在有限的数据下有效的性能.
结论:
- 拟议的SSA优化的1DCNN-SVM模型为滚动轴承的智能故障诊断提供了一种优越的方法.
- 这种方法可以通过精确有效的诊断来推进机械健康监测.
- 该模型对于工业维护策略具有高度相关性,需要最小的数据和高精度.
