一种改进一维卷积神经网络的轴承故障诊断方法.pdf

一种改进一维卷积神经网络的轴承故障诊断方法--第1页

第22卷第4期软件导刊Vol.22No.4

2023年4月SoftwareGuideApr.2023

一种改进一维卷积神经网络的轴承故障

诊断方法

潘琳鑫，巩永旺，晏生莲

（盐城工学院信息工程学院，江苏盐城224051）

摘要：经典一维卷积神经网络模型诊断准确率不高且模型存在过拟合问题，难以满足轴承故障诊断时效性和准确

率要求。鉴于此，提出一种基于改进一维卷积神经网络的轴承故障诊断方法，在卷积层之后加入批量归一化层的方

法以增加模型泛化能力，并采用Dropout的方法解决模型过拟合问题。基于凯斯西储大学轴承故障数据集的实验结

果显示，相比经典一维卷积神经网络，该方法可显著提升故障诊断准确率，故障诊断准确率可达99.79%，并且整个诊

断过程无需手动特征提取，从而减少了特征提取过程中的损失，实现端到端的检测，具有较好的通用性。

关键词：故障诊断；卷积神经网络；深度学习；Dropout方法

DOI：10.11907/rjdk.221570开放科学（资源服务）标识码（OSID）：

中图分类号：TP183文献标识码：A文章编号：1672-7800（2023）004-0038-05

ABearingFaultDiagnosisMethodBasedonImprovedOne-dimensional

ConvolutionalNeuralNetwork

PANLin-xin，GONGYong-wang，YANSheng-lian

（SchoolofInformationEngineering，YanchenginstituteofTechnology，Yancheng224051，China）

Abstract：

workmodel，

tionmethodisusedtoincreasethegeneralizationabilityofthemodel.Fortheproblemofmodeloverfitting，thedropoutmethodisadopted.Fi‐

nally，

resultsshowthatcomparedwiththeclassicalconvolutionalneuralnetwork，theproposedmethodcanimprovegreatlythediagnosticaccuracy（

ashighas99.79%）.Moreover，theentirediagnosisprocessdoesnotrequireanymanualfeatureextraction，whichcanreducethelossinthe

featureextractionprocess，andthemethodcanrealizeend-to-enddetectionandhasbetterversatility.

KeyWords：faultdiagnosis；convolutionalneuralnetwork；deeplearning；Dropoutmethod

技的进步，机械设备检测的精度大幅度提升，采