典型文献
基于小波变换和改进卷积神经网络的刚性罐道故障诊断
文献摘要：
现有刚性罐道故障诊断方法有的仅适用于小样本数据集,有的虽适用于大样本数据集,但忽略了实际工作环境中的多工况背景.基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大,易产生过拟合等问题.针对上述问题,提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法.首先,在刚性罐道设置错位与间隙2种缺陷,采集多工况下提升容器振动加速度信号.其次,利用小波变换将采集的振动加速度信号转换为二维时频图像,采用试凑法最终确定经Complex Morlet小波基函数处理后的二维时频图像的时间和频率分辨率最佳.然后,通过改进卷积神经网络模型结构,即保留第1层和第5层池化层,将第2,3,4层池化层替换为小尺度卷积层,以防止过拟合现象.最后,将二维时频图像输入改进后的卷积神经网络模型.实验结果表明:①改进模型经过训练后,在训练集上的平均准确率为99％左右,在测试集上的平均准确率为99.5％.②当数据训练至200步后,改进模型的准确率达99％以上,改进模型的损失函数值趋近于0,说明改进模型收敛性能较好,模型的泛化能力得到了增强,在学习过程中对于过拟合的抑制效果明显.③在验证集混淆矩阵上,间隙缺陷和错位缺陷识别准确率为100％,无缺陷识别准确率为92％.④ 与EMD?SVD?SVM、小波包?SVM、EMD?SVD?BP神经网络、小波包?BP神经网络相比,基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法准确率达99％.
文献关键词：
立井提升;刚性罐道;故障诊断;错位缺陷;间隙缺陷;小波变换;二维时频图像;卷积神经网络
中图分类号：
作者姓名：
杜菲;马天兵;胡伟康;吕英辉;彭猛
作者机构：
安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001;安徽理工大学 机械工程学院,安徽 淮南 232001
文献出处：
引用格式：
[1]杜菲;马天兵;胡伟康;吕英辉;彭猛-.基于小波变换和改进卷积神经网络的刚性罐道故障诊断)[J].工矿自动化,2022(09):42-48,62
A类：
刚性罐道,间隙缺陷,错位缺陷
B类：
于小波,小波变换,改进卷积神经网络,故障诊断方法,小样本数据集,大样本,多工况,运算量,过拟合,振动加速度,加速度信号,信号转换,二维时频图像,试凑法,Complex,Morlet,小波基函数,数处,频率分辨率,卷积神经网络模型,模型结构,池化,层替换,小尺度,卷积层,改进模型,经过训练,训练集,平均准确率,测试集,数据训练,损失函数,函数值,趋近,收敛性能,泛化能力,学习过程,抑制效果,验证集,混淆矩阵,缺陷识别,识别准确率,无缺,EMD,SVD,小波包,立井提升
AB值：
0.234809
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
