多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题,提出一种多尺度卷积神经网络(novel multi‑scale convolutional neural network,简称NMS‑CNN)故障辨识方法。首先,对滚动轴承的振动信号进行快速傅里叶变换(fast Fourier transform,简称FFT)获取其频域数据;其次,利用多尺度卷积提取频域数据中的多粒度敏感特征,并使用实例归一化技术(instance normalization,简称IN)对特征图进行归一化;然后,采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征;最后,使用softmax分类器完成故障辨识任务。经过实验验证,所提方法能够在较少训练样本下完成故障辨识任务,并且其抗噪性与泛化性均优于其他智能故障辨识算法。

面向数据不平衡的卷积神经网络故障辨识方法

针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称MMOCNN)智能故障模式辨识方法。首先,利用卷积神经网络交替的卷积与池化运算自适应学习振动信号中具有表征信息的敏感特征,并通过全连接层(fully connected layer,简称FC)将学习特征映射到类空间;其次,在类空间构造特征的最小最大化目标函数;最后,将最小最大化目标函数融入到卷积神经网络的损失函数中,在模型训练过程中既考虑分类总体误差最小,同时又要求学习的样本特征保持同类距离小、异类距离大,以实现对数据不平衡故障的有效辨识。用轴承的不平衡数据集分别对本方法和传统卷积神经网络的辨识效果进行实验,结果表明,本方法能够使少数类样本的辨识精度提升20%以上。