一种改进一维卷积神经网络的轴承故障诊断方法

经典一维卷积神经网络模型诊断准确率不高且模型存在过拟合问题,难以满足轴承故障诊断时效性和准确率要求。鉴于此,提出一种基于改进一维卷积神经网络的轴承故障诊断方法,在卷积层之后加入批量归一化层的方法以增加模型泛化能力,并采用Dropout的方法解决模型过拟合问题。基于凯斯西储大学轴承故障数据集的实验结果显示,相比经典一维卷积神经网络,该方法可显著提升故障诊断准确率,故障诊断准确率可达99.79%,并且整个诊断过程无需手动特征提取,从而减少了特征提取过程中的损失,实现端到端的检测,具有较好的通用性。

基于BAS-BA优化BP神经网络的轴承故障诊断方法

针对BP神经网络在轴承故障诊断方法上存在收敛速度缓慢、容易陷入局部最优的问题,提出一种基于天牛须-蝙蝠算法(BAS-BA)优化BP神经网络的轴承故障诊断方法。利用BAS-BA算法优化BP神经网络的初始权值和阈值,并将优化的BP神经网络模型应用于轴承故障诊断。仿真实验结果表明,BAS-BA算法优化的BP神经网络在收敛能力和故障诊断准确率方面均优于单个BAS或BA算法优化的BP神经网络。