论文部分内容阅读
针对滚动轴承微弱信号在强噪声、变工况复杂环境下，难以实现有效的故障诊断问题，提出了一种改进卷积Lenet-5神经网络的轴承故障诊断方法。首先，对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图；其次，将最基本的Lenet-5模型中的连续单向的传统卷积层改进为Block1模块、Block2模块、Block3模块，提取到更完整、更精准的特征信息；最后，为了防止网络出现过拟合现象，采用L2正则化和Dropout优化网络。为了验证本文所提方法在复杂工况环境的鲁棒和泛化性能，利用滚动轴承数据集和变速箱实验数据集进行实验验证。轴承数据集实验结果表明，本文所提出的方法在变噪声实验中准确率平均值都在99.3%；在变负荷实验中，故障诊断准确率都高于90.26%；在变工况实验中，故障诊断准确率平均值都高于89.01%；在变速箱数据集实验采中，抗噪性故障诊断准确率高达96.3%。采用改进的Lenet-5方法对滚动轴承12种故障类型具有更好的分辨能力，在变工况下具有更好的抗干扰性和泛化性能。