基于平移不变CNN的机械故障诊断研究

摘要

常规机械故障诊断方法需要信号预处理、特征提取、特征选择、模式识别等多个步骤,过程复杂,通用性差.卷积神经网络(Convolutional Neural Network,CNN)是一种自学习性能好、抗干扰能力强的深度神经网络.为了简化步骤、提高效率,将CNN引入到机械故障诊断,直接使用传感器测得的原始数据进行故障识别.由于机械振动信号的特征具有典型的时移性,CNN需要大量数据才能自我学习到这种特性.结合故障信号的冲击特点和CNN的不足,提出了权值求和和大尺度最大值池化策略,有效解决了特征的平移不变性,增强了小样本时的泛化能力.通过对单点和多点故障的轴承进行诊断,验证了平移不变CNN的有效性.与常规故障诊断方法和其他机器学习算法对比显示,平移不变CNN不仅准确率高,而且使用简单,为故障诊断提供了一种新的途径.