面向海量机械故障数据的胶囊网络算法研究

针对卷积神经网络算法在大规模故障数据集检测中出现的故障敏感度低、部分特征丢失等问题,提出一种基于优化胶囊网络算法的机械故障检测方案。胶囊网络算法采用多神经元封装的胶囊体结构设计,且包含多个胶囊层,具有更强的故障数据处理能力和泛化能力;经过squash函数挤压后的胶囊矢量可以更准确地提取和描述故障特征;升维胶囊矢量,基于特征编码和归一化的处理方式,可得到更准确的故障分类结果。实验结果显示:优化胶囊网络算法具有更强的故障特征聚类性能和迭代运算性能,故障集检测精度值高于经典卷积神经网络算法。

深度残差对冲网络及其在滚动轴承故障诊断中的应用

提出了一种新的深度残差对冲网络模型。首先,该模型借助Inception堆叠思想提出了堆叠卷积对冲结构块以加快网络收敛速度;然后,设计了新的恒等映射块,实现了输入层与中间各层的残差连接;最后,在全连接层引入Squash函数,防止损失梯度的发散。将提出的深度残差对冲网络应用于滚动轴承故障诊断,在预处理中将滚动轴承的振动加速度时域信号通过快速傅里叶变换得到的频谱图直接作为网络输入,从而简化了数据的预处理工作。利用两组实际的滚动轴承故障数据进行方法验证,并与18层深度残差网络(Resnet18)、卷积神经网络(CNN)等其他方法进行了对比验证。结果表明所提深度残差对冲网络模型的测试精度较其他模型高约2%,且训练时间能缩短1/3,充分表明本文方法具有很强的鲁棒性和收敛速度快等优点。