改良GoogLeNet的電機滾動軸承故障診斷

任 爽,田振川,林光輝,楊 凱,商繼財

(東北石油大學 電氣信息工程學院,黑龍江 大慶 163318)

0 引 言

隨著科學技術迅速發展,一些精密設備也變得更加復雜,因此在大力發展這些精密復雜設備的同時,也要對其進行定期或實時的健康監測[1],而為避免故障進一步擴大,對電機滾動軸承初期微小故障的及時診斷識別尤為重要,目前有許多研究人員對其進行了大量研究[2-3]。

隨著計算機技術和硬件設備的不斷完善和發展,反映設備運行狀態的數據之間相互關聯耦合,整個系統具有強烈的不確定性和非線性特征,也呈現出海量化、冗余化等大數據特點。時域特征[4]、頻域特征[5]和時頻特征[6]等傳統故障診斷方法,都需要用大量的人力提取海量特征數據,無法適應大數據時代下故障診斷的需求。

Hopfield神經網絡[7]是一種結合存儲系統和二元系統的循環神經網絡,但具有容易陷入局部最小值的缺陷。一種適用于多層感知器的反向傳播算法----BP(Back Propagation)算法解決了非線性分類問題,從而使人工神經網絡引起人們的注意。但由于當時計算機硬件水平有限,運算能力不足,不能解決當神經網絡規模增大時出現的“梯度消失”問題。并且由于當時提出的一些淺層機器學習算法(如SVM(Support Vector Machine)等)在分類和回歸等問題上表現很好,導致了人工神經網絡再次陷入瓶頸期。

深度學習能更加完整地描述原始數據的特征,其使用無監督學習的逐層訓練算法,再使用有監督的反向傳播算法進行調優以解決“梯度消失”問題,引起了學術界巨大反響。……