控制理论与应用

作者：张思源,纪洪泉,刘洋

单位：山东科技大学,山东科技大学,拉夫堡大学

关键词：故障诊断; 滚动轴承; 深度学习; 单层卷积神经网络; 轻量级梯度提升机

基金：泰山学者工程专项经费项目, 国家自然科学基金项目(61803232)资助

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.

来源：2023年第4期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2023年第4期