-
题名DE算法优化CNN的滚动轴承故障诊断研究
被引量：8
- 1
-
-
作者
孙祺淳
李媛媛
-
机构
上海工程技术大学电子电气工程学院
-
出处
《噪声与振动控制》
CSCD
北大核心
2022年第4期165-171,176,共8页
-
基金
浦东新区科技发展基金资助项目(RKX2020-R17)。
-
文摘
针对卷积神经网络(Convolutional Neural Network,CNN)在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题,提出一种基于差分进化算法(Differential Evolution,DE)优化卷积神经网络的故障诊断模型(CNN-DE)。首先,该故障诊断模型利用DE算法来自适应调节CNN中的超参数,同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标,使得CNN在保证精度的同时降低网络的波动;其次,使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)结合多参数的诊断方法,从原始信号中提取出更加有效的故障特征;最后,根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断,结果表明所提出的算法模型拥有更高的精度和更稳定的性能,也具有优异的抗噪能力,显示了CNN-DE在故障诊断应用中的可靠性。
-
关键词
故障诊断
卷积神经网络
差分进化算法
自适应噪声完备集合经验模态分解
滚动轴承
-
Keywords
fault diagnosis
convolutional neural network(CNN)
differential evolution(DE)
complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)
rolling bearing
-
分类号
TP206.3
[自动化与计算机技术—检测技术与自动化装置]
TH133.3
[自动化与计算机技术—控制科学与工程]
-
