卷积神经网络滚动轴承故障诊断毕业论文【机械故障智能诊断】

克拉博士

146人浏览 · 2023-10-12 00:36:43

克拉博士 · 2023-10-12 00:36:43 发布

一、核心思路

以滚动轴承故障诊断技术为研究主线，采用理论研究、数值计算和实验研究方法，提出了 SSA 优化改进阈值的滚动轴承故障诊断方法，并针对滚动轴承信号直接或间接输入网络中易丢失时间相关性问题，提出小样本下基于MTF-SPCNN 的滚动轴承故障诊断方法；针对实际工作环境复杂以及样本不足的问题，提出一种小样本下基于 MTF 与 SSCAM-MSCNN 的滚动轴承故障诊断方法。
主要介绍滚动轴承故障特征频率及信号特征，说明卷积神经网络相关结构与技术。
SSA 优化改进阈值的滚动轴承故障诊断方法。对小波阈值函数进行改进并运用 SSA 进行参数寻优，实现信号降噪；进行 EMD 分解，提出综合评价指标 P，以此为依据进行分量的筛选，进行特征提取；通过包络谱图实现对滚动轴承的故障诊断。通过仿真信号以及实验轴承信号，验证所提方法的有效性和可靠性。
小样本下基于 MTF-SPCNN 的滚动轴承故障诊断方法。首先将一维时域信号转化为具有时间相关性的 MTF 图像；然后提出条纹池化模块，将其引入网络中，构建SPCNN 模型，注重上下文全局特征信息，将MTF 图像输入SPCNN中实现全面特征提取与故障诊断；最后运用 CWRU 数据集和本实验室 MFS 数据集验证该方法的可靠性，结果表明所提方法具有良好的特征提取能力以及故障分类能力。
小样本下基于 MTF 与 SSCAM-MSCNN 的滚动轴承故障诊断方法。以条纹池化模块作为基础，添加自校正功能，提出一种新的注意力机制-SSCAM注意力机制，在聚焦长度方向信息的同时建立通道间依赖关系，自适应实现权重分配，将其引入 MSCNN 网络中实现对滚动轴承的故障诊断。运用两种数据集对该方法进行验证，实验结果表明，针对小样本变工况条件下的数据，所提方法具有更强的分类识别效果以及抗噪性能。

二、建模与仿真

故障频率幅值大小代表故障发生的概率，幅值越大说明故障发生概率越大。当滚动轴承发生故障时，频谱图上就会出现与之对应的峰值。但由于实际装配安装、转速变化等因素，导致实际故障特征频率与理论值有所差别。多数情况下，通常以特征频率作为基频，寻求二、三倍频等成分，倍频的出现同样可以判断滚动轴承的故障类型。

麻雀优化算法最早是由 Xue提出，目前已广泛应用于诸多领域。SSA 通过模仿麻雀觅食和反捕行为，实现全局信息寻优，其具有收敛速度快、参数少、寻优精度高、稳定性好等特点。

%%%%%%%%%%%%%%%%%免疫算法求函数极值%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%
clear all;                                %清除所有变量
close all;                                %清图
clc;                                      %清屏
D=10;                                     %免疫个体维数
NP=100;                                   %免疫个体数目
Xs=20;                                    %取值上限
Xx=-20;                                   %取值下限
G=500;                                    %最大免疫代数
pm=0.7;                                   %变异概率
alfa=1;                                   %激励度系数
belta=1;                                  %激励度系数   
detas=0.2;                                %相似度阈值
gen=0;                                    %免疫代数
Ncl=10;                                   %克隆个数
deta0=1*Xs;                               %邻域范围初值
%%%%%%%%%%%%%%%%%%%%%%%初始种群%%%%%%%%%%%%%%%%%%%%%%%%
f=rand(D,NP)*(Xs-Xx)+Xx;
for np=1:NP
    MSLL(np)=func1(f(:,np));
end
%%%%%%%%%%%%%%%%%计算个体浓度和激励度%%%%%%%%%%%%%%%%%%%
for np=1:NP
    for j=1:NP     
        nd(j)=sum(sqrt((f(:,np)-f(:,j)).^2));
        if nd(j)<detas
            nd(j)=1;
        else
            nd(j)=0;
        end
    end
    ND(np)=sum(nd)/NP;
end
MSLL =  alfa*MSLL- belta*ND;
%%%%%%%%%%%%%%%%%%%激励度按升序排列%%%%%%%%%%%%%%%%%%%%%%
[SortMSLL,Index]=sort(MSLL);
Sortf=f(:,Index);
%%%%%%%%%%%%%%%%%%%%%%%%免疫循环%%%%%%%%%%%%%%%%%%%%%%%%
while gen<G
    for i=1:NP/2
        %%%%%%%%选激励度前NP/2个体进行免疫操作%%%%%%%%%%%
        a=Sortf(:,i);
        Na=repmat(a,1,Ncl);
        deta=deta0/gen;
        for j=1:Ncl
            for ii=1:D
                %%%%%%%%%%%%%%%%%变异%%%%%%%%%%%%%%%%%%%
                if rand<pm
                    Na(ii,j)=Na(ii,j)+(rand-0.5)*deta;
                end
                %%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%
                if (Na(ii,j)>Xs)  |  (Na(ii,j)<Xx)
                    Na(ii,j)=rand * (Xs-Xx)+Xx;
                end
            end
        end
        Na(:,1)=Sortf(:,i);               %保留克隆源个体
        %%%%%%%%%%克隆抑制，保留亲和度最高的个体%%%%%%%%%%
        for j=1:Ncl
            NaMSLL(j)=func1(Na(:,j));
        end
        [NaSortMSLL,Index]=sort(NaMSLL);
        aMSLL(i)=NaSortMSLL(1);
        NaSortf=Na(:,Index);
        af(:,i)=NaSortf(:,1);
    end 
    %%%%%%%%%%%%%%%%%%%%免疫种群激励度%%%%%%%%%%%%%%%%%%%
    for np=1:NP/2
        for j=1:NP/2
            nda(j)=sum(sqrt((af(:,np)-af(:,j)).^2));         
            if nda(j)<detas
                nda(j)=1;
            else
                nda(j)=0;
            end
        end
        aND(np)=sum(nda)/NP/2;
    end
    aMSLL =  alfa*aMSLL-  belta*aND;
    %%%%%%%%%%%%%%%%%%%%%%%种群刷新%%%%%%%%%%%%%%%%%%%%%%%
    bf=rand(D,NP/2)*(Xs-Xx)+Xx;
    for np=1:NP/2
        bMSLL(np)=func1(bf(:,np));
    end
    %%%%%%%%%%%%%%%%%%%新生成种群激励度%%%%%%%%%%%%%%%%%%%%
    for np=1:NP/2
        for j=1:NP/2
            ndc(j)=sum(sqrt((bf(:,np)-bf(:,j)).^2));
            if ndc(j)<detas
                ndc(j)=1;
            else
                ndc(j)=0;
            end
        end
        bND(np)=sum(ndc)/NP/2;
    end
    bMSLL =  alfa*bMSLL-  belta*bND;
    %%%%%%%%%%%%%%免疫种群与新生种群合并%%%%%%%%%%%%%%%%%%%
    f1=[af,bf];
    MSLL1=[aMSLL,bMSLL];
    [SortMSLL,Index]=sort(MSLL1);
    Sortf=f1(:,Index);
    gen=gen+1;
    trace(gen)=func1(Sortf(:,1));
end
%%%%%%%%%%%%%%%%%%%%%%%输出优化结果%%%%%%%%%%%%%%%%%%%%%%%%
Bestf=Sortf(:,1);                 %最优变量
trace(end);                       %最优值
figure,plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('亲和度进化曲线')

运用 MTF 信号处理方法，将原始轴承信号转化为具有时间相关性的二维特征图，在较少样本条件下获取更充分的特征信息，增强数据质量，为后续的故障诊断工作奠定基础。同时，运用条纹池化模块代替传统方形池化，扩大感受野，更为全面地捕捉特征信息，克服了变工况数据分布不同导致故障诊断精度偏低的缺点。结合二者特性，构建 MTF-SPCNN 模型