改进1DCNN与相似性度量增强的齿轮箱故障识别

摘要

齿轮箱发生故障时,因振源耦合等因素,各类单一故障和复合故障间具有一定共性特征,造成传统的基于卷积神经网络(convolutional neural network,简称CNN)的智能诊断方法准确率下降和诊断性能鲁棒性差。针对上述问题,提出一种新的基于一维卷积神经网络(one-dimensional CNN,简称1DCNN)的齿轮箱故障智能识别方法。该网络引入LeakyRelu激活函数替代原网络结构卷积层中的激活函数,防止训练时的神经元失效;利用LookAhead优化器,避免反向参数优化时训练结果收敛于局部极值;提出相似性损失度量函数,最小化同类样本序列间距的同时最大化不同类样本序列间距,以强化网络结构的标签识别能力和分类稳定性。将上述网络命名为sLL-1DCNN,利用齿轮箱故障模拟试验台信号对网络进行训练并识别各类故障,结果表明,该网络在训练集样本序列数量较少时具有更好的特征提取和泛化能力,且在训练集样本序列数量增加时,具备优于其他3种CNN的分类能力和分类稳定性。