• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用

    2021-07-01 06:49:10彭彬森王志超朱少民張汲宇
    關(guān)鍵詞:故障診斷卷積神經(jīng)網(wǎng)絡(luò)

    彭彬森,夏 虹,王志超,朱少民,楊 波,張汲宇

    (核安全與仿真技術(shù)國(guó)防重點(diǎn)學(xué)科重點(diǎn)實(shí)驗(yàn)室(哈爾濱工程大學(xué)),哈爾濱 150001)

    滾動(dòng)軸承是很多旋轉(zhuǎn)機(jī)械設(shè)備傳動(dòng)裝置的關(guān)鍵部件,由于其運(yùn)行環(huán)境復(fù)雜多樣,因此也是發(fā)生故障最多部件之一[1].一旦發(fā)生故障,輕則影響設(shè)備的正常運(yùn)行,重則引起嚴(yán)重的安全事故,并造成巨大的經(jīng)濟(jì)損失及人員傷亡,因此為了提高滾動(dòng)軸承的安全性,防范事故的發(fā)生,對(duì)滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)及診斷是十分有意義的.

    當(dāng)前針對(duì)像滾動(dòng)軸承的故障診斷方法主要分為兩類:一類是以信號(hào)分析為主的傳統(tǒng)診斷方法,這類分析方式需要大量的專家知識(shí);一類是以數(shù)據(jù)驅(qū)動(dòng)為主的智能機(jī)器學(xué)習(xí)方法,這類方法不需要大量的專家知識(shí),而是依靠模型自動(dòng)學(xué)習(xí)數(shù)據(jù)中的特征信息,從而實(shí)現(xiàn)故障診斷,然而對(duì)于數(shù)據(jù)量大,數(shù)據(jù)維度更高,非線性關(guān)系更強(qiáng)的大數(shù)據(jù),傳統(tǒng)智能方法特征提取能力很有限,無法完全提取數(shù)據(jù)的本質(zhì)特征.因此需要學(xué)習(xí)能力更強(qiáng)的方法去提取數(shù)據(jù)的本質(zhì)特征.

    隨著2006年深度學(xué)習(xí)概念的提出,為解決復(fù)雜數(shù)據(jù)的學(xué)習(xí)問題提供了有效解決途徑[2-3].經(jīng)過近幾年的不斷發(fā)展,目前深度學(xué)習(xí)已成為機(jī)器學(xué)習(xí)中最流行的一個(gè)分支,它的實(shí)用性范圍廣,極大地促進(jìn)了人工智能的發(fā)展.當(dāng)前已有一些采用深度神經(jīng)網(wǎng)絡(luò)去解決滾動(dòng)軸承故障診斷問題的研究成果,文獻(xiàn)[4]提出深度置信網(wǎng)絡(luò)對(duì)滾動(dòng)軸承進(jìn)行診斷,并用粒子群算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化,采用模擬數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了方法的可靠性.針對(duì)旋轉(zhuǎn)機(jī)械的運(yùn)行條件總是復(fù)雜多變,難以從測(cè)得的振動(dòng)信號(hào)中自動(dòng)有效地捕獲有用的故障特征的問題,文獻(xiàn)[5]提出了一種基于深度自編碼器的故障診斷方法,并采用人工魚群算法優(yōu)化深度自動(dòng)編碼器的關(guān)鍵參數(shù),最后用齒輪箱和電力機(jī)車滾動(dòng)軸承的實(shí)驗(yàn)數(shù)據(jù)對(duì)所提方法進(jìn)行了驗(yàn)證.針對(duì)傳統(tǒng)基于最小二乘支持向量機(jī)的故障診斷方法需要手動(dòng)去提取故障特征的不足,文獻(xiàn)[6]提出了深度棧式最小二乘支持向量機(jī)故障診斷模型去自動(dòng)學(xué)習(xí)故障特征,所提出的方法在滾動(dòng)軸承實(shí)驗(yàn)中取得了良好的診斷效果.

    考慮到深度學(xué)習(xí)方法具有強(qiáng)大的學(xué)習(xí)能力,因此可以獲得比淺層學(xué)習(xí)方法更好的結(jié)果,然而若要使用神經(jīng)網(wǎng)絡(luò)提取到數(shù)據(jù)的本質(zhì)特征,則需要的神經(jīng)網(wǎng)絡(luò)層數(shù)越多,隨著神經(jīng)網(wǎng)絡(luò)的層數(shù)加深,所需要訓(xùn)練的參數(shù)越來越多,計(jì)算量也會(huì)成倍增長(zhǎng),神經(jīng)網(wǎng)絡(luò)的性能也會(huì)出現(xiàn)退化,為了改善這種現(xiàn)象,本文擬采用殘差神經(jīng)網(wǎng)絡(luò)(Residual neurnal network,RNN)來對(duì)這種現(xiàn)象進(jìn)行改進(jìn).同時(shí)為了增強(qiáng)模型的魯棒性,本文采用多傳感器技術(shù)對(duì)RNN模型進(jìn)行改進(jìn),建立了多傳感器融合改進(jìn)的深度殘差神經(jīng)網(wǎng)絡(luò)(Deep residual neural netuork,DRNN)故障診斷模型:DRNN-3S.

    1 方法介紹

    1.1 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural netwoks,CNN)

    CNN模型起源于生物神經(jīng)視覺研究,通過3個(gè)重要思想(稀疏交互、參數(shù)共享、等變表示)減少了自由變量的數(shù)量,提高了模型的泛化能力,并且提高了訓(xùn)練速度.經(jīng)過多年的發(fā)展,已有相對(duì)成熟的結(jié)構(gòu).CNN的基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成[7].卷積過程可視為特征提取的過程,用一張二維圖像I作為輸入,K為卷積核,Z為卷積結(jié)果,則卷積過程定義為

    (1)

    式中:(m,n)為卷積核K的大小,(i,j)為卷積位置.一個(gè)卷積層中一般包含多個(gè)卷積核,以便提取更多的特征信息.然后將卷積結(jié)果輸入到激活函數(shù),計(jì)算后得到卷積層的輸出y,計(jì)算過程定義為

    y=g(Z·W+b).

    (2)

    式中:W為權(quán)值矩陣;b為偏置;g(·)為激活函數(shù).本文設(shè)置為常用的線性整流函數(shù)(ReLU)[8],定義為

    g(x)=max(x,0).

    (3)

    池化層也稱為子采樣層,通常跟隨在卷積層之后,依據(jù)一定的下采樣規(guī)則對(duì)特征圖進(jìn)行下采樣,常用的下采樣方法有max-pooling,mean-pooling等.假設(shè)Zsub是池化層的輸出,subsampling(·)為采樣函數(shù),則

    Zsub=subsampling(y).

    (4)

    1.2 殘差神經(jīng)網(wǎng)絡(luò)

    理論上來說深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越深,越能提取到數(shù)據(jù)的本質(zhì)特征,然而現(xiàn)有的研究表明深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolution neural network,DCNN)將層數(shù)提高到一定層數(shù)時(shí),模型會(huì)出現(xiàn)退化,比如梯度消失或者爆炸.因此,研究人員不斷尋求新的思路來改進(jìn)模型,現(xiàn)有的改進(jìn)思路主要分為兩種,一種是改進(jìn)神經(jīng)網(wǎng)絡(luò)的求解器,然而這種思路在短時(shí)間內(nèi)很難有很大的突破,模型性能提升有限;另一種是改進(jìn)模型的結(jié)構(gòu),比如文獻(xiàn)[7,9-10]等提出的深度神經(jīng)網(wǎng)絡(luò)模型.本文選擇新型神經(jīng)網(wǎng)絡(luò)模型RNN作為故障診斷識(shí)別模型,它由He等[11]在2015年提出,作為一種新的網(wǎng)絡(luò)結(jié)構(gòu)使性能得到很大的提升,并在圖像識(shí)別,目標(biāo)檢測(cè),目標(biāo)定位等公開數(shù)據(jù)及上取得了很高的識(shí)別率.

    一般的CNN是由卷積層、池化層交替堆疊,而RNN由殘差塊構(gòu)成,其基本結(jié)構(gòu)如圖1所示.

    圖1 殘差網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)圖

    圖中x為殘差模塊的輸入,F(xiàn)(x,{Wi})為待訓(xùn)練的殘差函數(shù),通過跳層連接技術(shù)將恒等映射x與F(x,{Wi})相加得到x的估計(jì)值H(x),這樣不僅提高了隨機(jī)梯度下降算法的學(xué)習(xí)能力,而且加快了模型收斂速度,提高了模型的泛化能力[12].

    1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

    本文采用隨機(jī)梯度下降法(Stochastic gradient descent,SGD)訓(xùn)練DRNN,SGD是一種神經(jīng)網(wǎng)絡(luò)優(yōu)化算法,通過在每次迭代訓(xùn)練過程中從總樣本集中隨機(jī)抽取獨(dú)立同分布的小樣本,然后用梯度下降法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),這樣能夠提高在樣本集很大時(shí)的訓(xùn)練效率,因此成為了目前深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中用的最多方法[13].訓(xùn)練流程如圖2所示,訓(xùn)練過程可以看作是對(duì)DRNN的參數(shù)θ={W,b}進(jìn)行迭代更新求解,其中W為權(quán)值矩陣,b為偏置向量,訓(xùn)練結(jié)束后將最后一次訓(xùn)練的結(jié)果保存,作為測(cè)試模型.

    圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

    2 滾動(dòng)軸承故障診斷流程

    根據(jù)滾動(dòng)軸承的特征,設(shè)計(jì)了如圖3所示故障診斷流程,包括離線訓(xùn)練和在線診斷兩個(gè)步驟構(gòu)成.在離線訓(xùn)練過程中,首先通過多傳感器采集設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù),然后通過數(shù)據(jù)預(yù)處理技術(shù)從原始數(shù)據(jù)中提取特征數(shù)據(jù),最后用特征數(shù)據(jù)去訓(xùn)練故障診斷模型.在線診斷過程中,首先將在線采集的數(shù)據(jù)輸入到預(yù)處理模塊得到特征數(shù)據(jù),然后將特征數(shù)據(jù)輸入到訓(xùn)練好的診斷模型中,最后經(jīng)過識(shí)別得到診斷結(jié)果.

    圖3 滾動(dòng)軸承故障診斷流程

    3 實(shí)驗(yàn)測(cè)試

    3.1 數(shù)據(jù)來源

    為了驗(yàn)證本文提出方法的有效性,用西儲(chǔ)大學(xué)的軸承故障實(shí)驗(yàn)數(shù)據(jù)集[14]測(cè)試所提出的方法,實(shí)驗(yàn)臺(tái)架如圖4所示.數(shù)據(jù)集包含3個(gè)分別布置在馬達(dá)驅(qū)動(dòng)端,風(fēng)扇端和支撐基板的加速度傳感器(SDE,SFE,SBA)所采集的數(shù)據(jù),采樣頻率為12 000 Hz.由于正常狀態(tài)缺乏位于支撐基板傳感器的數(shù)據(jù),故用0補(bǔ)全正常狀態(tài)下該傳感器的數(shù)據(jù).當(dāng)前多數(shù)研究只針對(duì)10種(包括正常、3種不同故障直徑的滾珠故障、3種不同故障直徑的內(nèi)圈故障、3種不同故障直徑的外圈故障)或者4種(包括正常、滾珠故障、內(nèi)圈故障、外圈故障)故障狀態(tài)進(jìn)行診斷識(shí)別[15-19],為了體現(xiàn)算法的優(yōu)勢(shì),本文針對(duì)其中40種故障狀態(tài)(包括上述10種和4種故障類型)展開了研究,包含4種正常運(yùn)行狀態(tài),12種滾珠故障,12種內(nèi)圈故障,12種外圈故障,詳細(xì)故障類型及編碼見表1.

    表1 故障類型及編碼

    圖4 軸承實(shí)驗(yàn)臺(tái)

    3.2 數(shù)據(jù)預(yù)處理

    3.2.1短時(shí)傅里葉變換(STFT)

    當(dāng)前很多針對(duì)振動(dòng)信號(hào)分析方式采用的是頻域分析或時(shí)域分析,這樣有可能造成部分特征信息缺失,為了綜合利用時(shí)域和頻域的特征信息,本文采用STFT對(duì)振動(dòng)信號(hào)進(jìn)行初級(jí)特征提取[20].STFT是一種時(shí)頻分析方法,它可以通過窗函數(shù)獲取信號(hào)特定時(shí)間的頻率分布,同時(shí)通過在時(shí)間軸上移動(dòng)窗函數(shù),又可以獲取不同頻率的時(shí)間分布,因此可以同時(shí)提

    取頻域特征,又可以提取時(shí)域特征.短時(shí)傅里葉變換的表達(dá)式為

    (5)

    式中:*為復(fù)共軛符號(hào);g(t)為窗函數(shù);f(t)為待分析信號(hào).信號(hào)的STFT結(jié)果S(ω,τ)反映了待分析信號(hào)在τ時(shí)刻、頻率為ω的信號(hào)分量.

    本文窗函數(shù)選擇漢明窗函數(shù),窗長(zhǎng)度為512,相鄰窗函數(shù)采樣重疊率為384,選取連續(xù)8個(gè)窗函數(shù)提取的頻域特征組成大小為256*8的時(shí)頻譜,其時(shí)間分辨率為0.085 3 s,頻率范圍為0~6 000 Hz,圖5為一組正常信號(hào)的時(shí)頻譜,橫坐標(biāo)包含8個(gè)時(shí)間點(diǎn),縱坐標(biāo)包含256個(gè)頻率點(diǎn),幅值大小用不同的顏色表示,本文既可觀察某一時(shí)刻的頻率分布,又可以觀察到某一頻率的時(shí)間分布.通過對(duì)3個(gè)傳感器采集的數(shù)據(jù)分別進(jìn)行STFT,然后將單個(gè)傳感器信號(hào)的時(shí)頻譜合并,得到單個(gè)大小為256*8*3的樣本數(shù)據(jù).將所有故障的特征信號(hào)進(jìn)行變換后,得到大小為5 909的故障樣本集,故障樣本的分布見表2.

    圖5 時(shí)頻特征頻譜圖

    表2 故障樣本分布

    3.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

    在使用機(jī)器學(xué)習(xí)算法之前,常常需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,這樣可以避免不同量綱的特征參量降低機(jī)器學(xué)習(xí)算法的性能,從而提高訓(xùn)練效率和準(zhǔn)確度.本文采用z-score標(biāo)準(zhǔn)化方法[21]對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理,公式定義為

    (6)

    式中:x為原始數(shù)據(jù);x′為標(biāo)準(zhǔn)化后的數(shù)據(jù);μ為原始數(shù)據(jù)的平均值;σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差,標(biāo)準(zhǔn)化后的數(shù)據(jù)服從均值為0,方差為1的標(biāo)準(zhǔn)正態(tài)分布.

    3.3 故障診斷模型構(gòu)建

    本文采用的DRNN-3S模型包含8個(gè)殘差模塊,1個(gè)卷積層和1個(gè)邏輯回歸層,共18層網(wǎng)絡(luò),其結(jié)構(gòu)簡(jiǎn)圖如圖 6所示,相關(guān)結(jié)構(gòu)參數(shù)見表 3.網(wǎng)絡(luò)的輸入包含3個(gè)通道,輸入值分別為每個(gè)傳感器標(biāo)準(zhǔn)化后的初級(jí)特征矩陣,每個(gè)殘差模塊都可以視為一個(gè)特征提取器,它包含兩個(gè)卷積層,輸出層的輸出為每種故障的概率.

    圖6 殘差網(wǎng)絡(luò)結(jié)構(gòu)

    表3 DRNN-3S的參數(shù)設(shè)置

    3.4 模型訓(xùn)練

    針對(duì)滾動(dòng)軸承故障診斷問題,DCNN是目前研究最多,且診斷精度較高的深度學(xué)習(xí)方法,故本文選取DCNN作為對(duì)比方法進(jìn)行測(cè)試,并基于3個(gè)傳感器的特征數(shù)據(jù),建立了深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型:DCNN-3S;DCNN-3S的結(jié)構(gòu)與參數(shù)初始值和DRNN-3S均保持一致,每個(gè)卷積層之間用池化層進(jìn)行優(yōu)化,但沒有跳層連接. 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置為:學(xué)習(xí)率α=1,最大迭代次數(shù)N=720,小批量大小m=128,訓(xùn)練方式:GPU;樣本集按照8∶2的比例分為訓(xùn)練樣本和測(cè)試樣本.

    圖7為DRNN-3S模型與DCNN-3S模型的訓(xùn)練精度隨迭代次數(shù)變化曲線圖,從中可以看出DRNN-3S的收斂速度明顯要比DCNN-3S快很多,約100次迭代就達(dá)到了100%的訓(xùn)練精度,而DCNN的訓(xùn)練精度最終在99%處上下波動(dòng);圖8為DRNN-3S與DCNN-3S損失函數(shù)隨迭代次數(shù)變化曲線圖,從中可以看出DRNN-3S的損失函數(shù)值的收斂速度也比DCNN-3S快,損失函數(shù)值的收斂數(shù)量級(jí)達(dá)到了10-5,而DCNN-3S損失函數(shù)值的收斂數(shù)量級(jí)只有10-3.

    圖7 訓(xùn)練精度變化曲線

    圖8 損失函數(shù)變化曲線

    訓(xùn)練完成后,用測(cè)試數(shù)據(jù)測(cè)試兩個(gè)模型的泛化性能,針對(duì)40類故障的測(cè)試數(shù)據(jù),最終,DRNN-3S模型的測(cè)試精度為100%,DCNN-3S的測(cè)試精度為99.74%.

    綜上所述,DRNN-3S在訓(xùn)練過程中,性能表現(xiàn)更好,充分說明優(yōu)化殘差函數(shù)要比原函數(shù)要容易的多,且更容易收斂,在測(cè)試過程中,DRNN-3S模型的測(cè)試精度比DCNN-3S要高,說明DRNN-3S的泛化性能要比DCNN-3S好.

    3.5 多傳感器性能測(cè)試

    為體現(xiàn)多傳感器融合的優(yōu)勢(shì),分別用一個(gè)傳感器(SDE)、兩個(gè)傳感器(SDE,SFE)和3個(gè)傳感器(SDE,SFE,SBA)采集的數(shù)據(jù)去構(gòu)建3個(gè)DRNN模型: DRNN-1S, DRNN-2S, DRNN-3S,模型輸入層數(shù)據(jù)輸入通道分別為1,2和3,其他結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)均與模型訓(xùn)練保持一致,圖 9、10分別是不同傳感器數(shù)據(jù)下的訓(xùn)練精度收斂曲線和損失函數(shù)收斂曲線,從中可以發(fā)現(xiàn),3個(gè)模型的訓(xùn)練精度最終都可以達(dá)到100%,當(dāng)模型精度達(dá)到100%,且損失函數(shù)值趨于穩(wěn)定時(shí),模型DRNN-1S, DRNN-2S, DRNN-3S訓(xùn)練所用的次數(shù)分別約為600,350,100次.綜上所述,訓(xùn)練數(shù)據(jù)所用的傳感器數(shù)量越多,訓(xùn)練過程收斂速度越快,越穩(wěn)定,因?yàn)閿?shù)據(jù)源越多,所提供的信息越豐富,只需要較低的迭代次數(shù),便能找到數(shù)據(jù)的內(nèi)在規(guī)律.

    圖9 不同傳感器數(shù)下訓(xùn)練精度變化曲線

    圖10 不同傳感器數(shù)下?lián)p失函數(shù)變化曲線

    3.6 抗噪測(cè)試

    實(shí)際運(yùn)行環(huán)境中,采集到的滾動(dòng)軸承振動(dòng)信號(hào)基本上會(huì)受到噪聲的影響,這對(duì)故障診斷模型的適應(yīng)能力形成巨大的考驗(yàn).本文通過在原始振動(dòng)信號(hào)中加入高斯白噪聲來模擬實(shí)際嘈雜的工作環(huán)境中采集的數(shù)據(jù),并用含噪聲的數(shù)據(jù)來評(píng)估故障診斷模型的抗噪性能.根據(jù)不同環(huán)境下,噪聲程度不同,本文用信噪比(SNR)來衡量噪聲程度,定義如下:

    (7)

    式中:Ps為信號(hào)功率,Pn為噪聲功率.本文分別用SNR范圍為0~10 dB的噪聲對(duì)單個(gè)傳感器的數(shù)據(jù)和所有傳感器的數(shù)據(jù)進(jìn)行污染,共得到4組含噪聲的測(cè)試數(shù)據(jù),然后用包含噪聲的測(cè)試數(shù)據(jù)對(duì)DRNN-3S和DCNN-3S模型進(jìn)行測(cè)試,測(cè)試結(jié)果見表4.從表4中可以看出,在單一傳感器受到噪聲污染的情況下,在不同噪聲程度下,DRNN-3S模型的性能均比DCNN-3S要好,即使信噪比低至0 dB時(shí),DRNN-3S模型均能保持94%以上的診斷精度,其中在只有傳感器SBA受到噪聲感染情況下,模型診斷精度在99.9%以上.當(dāng)模型的診斷精度保持在100%時(shí),傳感器SDE,SFE,SBA信號(hào)的最低SNR分別為8,6,2 dB,因此對(duì)DRNN-3S模型而言,傳感器的抗噪能力排名為:SBA>SFE>SDE.在所有傳感器均受到噪聲污染的情況下,相比于單個(gè)傳感器受到噪聲污染,模型性能會(huì)有所下降,但DRNN-3S模型的性能依舊要比DCNN-3S出色,當(dāng)噪聲程度SNR≥6 dB時(shí),模型診斷精度在99%以上,而DCNN-3S模型最大診斷精度也只有83.49%.

    表4 DRNN-3S模型和 DCNN-3S模型的抗噪測(cè)試結(jié)果

    為了體現(xiàn)多傳感器融合的優(yōu)勢(shì),本文同樣測(cè)試了基于單個(gè)傳感器采集的數(shù)據(jù)建立的DRNN診斷模型的抗噪能力.分別用SDE、SFE、SBA采集的數(shù)據(jù)訓(xùn)練了3個(gè)單傳感器DRNN故障診斷模型:DRNN-DE,DRNN-FE和DRNN-BA,用不含噪聲的測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試,可得到模型的測(cè)試精度分別為100.00%,100.00%,80.14%.因?yàn)閭鞲衅鱏BA采集的數(shù)據(jù)沒有正常狀態(tài)的數(shù)據(jù),本文中正常狀態(tài)下的數(shù)據(jù)均由0補(bǔ)充,故造成識(shí)別率偏低.

    本文首先用信噪比為0~10 dB的噪聲分別對(duì)SDE、SFE、SBA采集的數(shù)據(jù)進(jìn)行污染,然后用含噪聲的數(shù)據(jù)對(duì)上述模型進(jìn)行測(cè)試,測(cè)試結(jié)果見表5,通過將結(jié)果與表4中的DRNN-3S模型結(jié)果進(jìn)行對(duì)比,可以發(fā)現(xiàn)多傳感器融合改進(jìn)模型在不同信噪比下,診斷精度都比單傳感器模型的精度高,尤其在傳感器SBA受到噪聲污染時(shí),DCNN-BA模型的診斷精度低并且抗噪能力低,然而DRNN-3S模型卻沒有這些短板,這充分說明了多傳感器融合改進(jìn)模型的抗噪能力更好.

    表5 單傳感器故障診斷模型抗噪測(cè)試結(jié)果

    綜上所述,基于多傳感器融合改進(jìn)的DRNN故障診斷模型DRNN-3S的抗噪能力是相當(dāng)突出的,不僅提升故障診斷模型的魯棒性,而且具有較強(qiáng)的環(huán)境適應(yīng)能力.

    4 結(jié) 論

    1)本文針對(duì)滾動(dòng)軸承的故障診斷問題提出了一種基于多傳感器融合改進(jìn)的深度殘差神經(jīng)網(wǎng)絡(luò)的故障診斷方法,構(gòu)建了故障診斷模型DRNN-3S,并用滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)集對(duì)所提出方法的有效性進(jìn)行了驗(yàn)證.

    2)在模型訓(xùn)練和多傳感器性能測(cè)試階段,DRNN-3S模型的訓(xùn)練收斂速度更快,且能保持較高的訓(xùn)練精度和測(cè)試精度,均達(dá)到100%,充分體現(xiàn)了殘差模型和多傳感器融合的優(yōu)勢(shì).

    3)在抗噪能力測(cè)試中,DRNN-3S模型表現(xiàn)出良好的抗噪能力.當(dāng)單一傳感器采集的數(shù)據(jù)受到噪聲污染時(shí),DRNN-3S 模型能保持至少93.78%的診斷精度,當(dāng)所有傳感器采集的數(shù)據(jù)受到噪聲污染時(shí),DRNN-3S模型能保持至少82.54%的診斷精度.

    猜你喜歡
    故障診斷卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    国产不卡av网站在线观看| 丝袜人妻中文字幕| 欧美黄色片欧美黄色片| 久久天堂一区二区三区四区| 午夜影院在线不卡| 国产精品一二三区在线看| 曰老女人黄片| 精品国产乱码久久久久久小说| 欧美激情极品国产一区二区三区| 国产深夜福利视频在线观看| 亚洲中文字幕日韩| 老司机亚洲免费影院| 亚洲精品国产色婷婷电影| 日本wwww免费看| 国产精品 国内视频| 欧美日韩亚洲综合一区二区三区_| 国产av一区二区精品久久| 国产日韩欧美亚洲二区| 婷婷色综合www| 激情五月婷婷亚洲| 精品熟女少妇八av免费久了| 午夜福利免费观看在线| 亚洲精品久久成人aⅴ小说| 无遮挡黄片免费观看| 三上悠亚av全集在线观看| 日韩 亚洲 欧美在线| 免费在线观看视频国产中文字幕亚洲 | 最新的欧美精品一区二区| 成年美女黄网站色视频大全免费| 大香蕉久久网| 亚洲男人天堂网一区| 亚洲图色成人| 亚洲国产精品国产精品| 欧美变态另类bdsm刘玥| 亚洲av日韩精品久久久久久密 | 丝袜人妻中文字幕| 日本vs欧美在线观看视频| 欧美国产精品一级二级三级| 国产1区2区3区精品| 一级a爱视频在线免费观看| 777久久人妻少妇嫩草av网站| 欧美精品啪啪一区二区三区 | 国产黄色视频一区二区在线观看| 五月天丁香电影| 丝袜美足系列| 男男h啪啪无遮挡| 中文字幕av电影在线播放| 国产成人啪精品午夜网站| 桃花免费在线播放| 国产麻豆69| 视频在线观看一区二区三区| 肉色欧美久久久久久久蜜桃| 国产精品一区二区在线观看99| 国产成人一区二区在线| 国产亚洲av片在线观看秒播厂| 久久精品国产综合久久久| 亚洲精品国产色婷婷电影| 只有这里有精品99| 一二三四社区在线视频社区8| 精品一区二区三卡| av欧美777| 久久久欧美国产精品| 亚洲欧美色中文字幕在线| 嫩草影视91久久| 久久久精品区二区三区| 久热爱精品视频在线9| 亚洲国产最新在线播放| 9色porny在线观看| 国产成人免费观看mmmm| 成年女人毛片免费观看观看9 | 婷婷色综合www| 国产精品久久久久成人av| 一区二区三区四区激情视频| 天堂8中文在线网| 黄色a级毛片大全视频| 亚洲av电影在线观看一区二区三区| 久久久精品94久久精品| 国产亚洲午夜精品一区二区久久| 色综合欧美亚洲国产小说| 国产男女内射视频| 欧美国产精品一级二级三级| 欧美日韩视频高清一区二区三区二| 欧美大码av| 国产男人的电影天堂91| 国产精品偷伦视频观看了| 岛国毛片在线播放| 赤兔流量卡办理| 久久亚洲精品不卡| 国产伦理片在线播放av一区| 18禁国产床啪视频网站| 免费看不卡的av| 亚洲成人国产一区在线观看 | 爱豆传媒免费全集在线观看| 高清av免费在线| 国产成人av激情在线播放| 两个人看的免费小视频| 人人澡人人妻人| www.熟女人妻精品国产| 欧美国产精品一级二级三级| www.熟女人妻精品国产| 欧美久久黑人一区二区| 久久影院123| 精品一区二区三区av网在线观看 | 男女之事视频高清在线观看 | 国产高清国产精品国产三级| 亚洲精品第二区| 男女无遮挡免费网站观看| 国产亚洲精品久久久久5区| 国产精品秋霞免费鲁丝片| 久久国产亚洲av麻豆专区| 超碰97精品在线观看| 熟女av电影| 亚洲激情五月婷婷啪啪| 国产成人啪精品午夜网站| www日本在线高清视频| 新久久久久国产一级毛片| 90打野战视频偷拍视频| 国产精品亚洲av一区麻豆| 我要看黄色一级片免费的| 精品人妻一区二区三区麻豆| 精品久久久久久久毛片微露脸 | 亚洲色图 男人天堂 中文字幕| 欧美大码av| 秋霞在线观看毛片| 亚洲第一青青草原| 少妇人妻久久综合中文| 中文字幕高清在线视频| 老熟女久久久| 大陆偷拍与自拍| 亚洲天堂av无毛| 美女扒开内裤让男人捅视频| 岛国毛片在线播放| 亚洲国产日韩一区二区| 满18在线观看网站| 亚洲色图 男人天堂 中文字幕| 亚洲精品乱久久久久久| av国产精品久久久久影院| 亚洲av片天天在线观看| 一本久久精品| 高清欧美精品videossex| 久久人人爽人人片av| 久久久久久免费高清国产稀缺| 亚洲国产成人一精品久久久| 成年av动漫网址| 国产亚洲精品第一综合不卡| 亚洲av国产av综合av卡| 日韩av不卡免费在线播放| 亚洲熟女精品中文字幕| 午夜av观看不卡| 午夜老司机福利片| 欧美黄色淫秽网站| av天堂久久9| 国产一区亚洲一区在线观看| 国产福利在线免费观看视频| 婷婷色麻豆天堂久久| 99热国产这里只有精品6| 中文字幕人妻丝袜制服| 久久久亚洲精品成人影院| 美女主播在线视频| 夫妻午夜视频| 免费人妻精品一区二区三区视频| 啦啦啦视频在线资源免费观看| 免费久久久久久久精品成人欧美视频| 成年女人毛片免费观看观看9 | 国产在线一区二区三区精| 亚洲精品一区蜜桃| www.自偷自拍.com| 婷婷成人精品国产| 亚洲国产中文字幕在线视频| 国产高清videossex| xxx大片免费视频| 国产高清国产精品国产三级| 丰满迷人的少妇在线观看| 色播在线永久视频| 美女福利国产在线| 精品久久久久久久毛片微露脸 | 亚洲免费av在线视频| 国产视频首页在线观看| 亚洲欧美一区二区三区久久| 97精品久久久久久久久久精品| 国产爽快片一区二区三区| 国产成人系列免费观看| 成年动漫av网址| 九草在线视频观看| 婷婷色麻豆天堂久久| 亚洲人成电影免费在线| 国产亚洲午夜精品一区二区久久| 91九色精品人成在线观看| 婷婷色av中文字幕| 免费少妇av软件| 在线精品无人区一区二区三| 日韩人妻精品一区2区三区| 麻豆av在线久日| 日本vs欧美在线观看视频| av天堂久久9| 国产av国产精品国产| 在现免费观看毛片| 欧美精品啪啪一区二区三区 | 在线天堂中文资源库| 天堂中文最新版在线下载| 国产成人av教育| 50天的宝宝边吃奶边哭怎么回事| 亚洲国产精品成人久久小说| 韩国精品一区二区三区| 一二三四社区在线视频社区8| a级毛片在线看网站| av又黄又爽大尺度在线免费看| 啦啦啦视频在线资源免费观看| 午夜91福利影院| 青青草视频在线视频观看| 亚洲精品国产av成人精品| 成人国产一区最新在线观看 | 久久久精品国产亚洲av高清涩受| 久久国产精品人妻蜜桃| 亚洲精品国产av成人精品| 成年av动漫网址| 欧美人与善性xxx| 黄频高清免费视频| 两性夫妻黄色片| 欧美黄色淫秽网站| 真人做人爱边吃奶动态| 黄色 视频免费看| 赤兔流量卡办理| 人体艺术视频欧美日本| 国产精品一国产av| 久久久国产一区二区| 日日爽夜夜爽网站| 一二三四在线观看免费中文在| 久久久久久人人人人人| 久久精品熟女亚洲av麻豆精品| 亚洲国产日韩一区二区| av网站免费在线观看视频| 精品一区二区三区四区五区乱码 | 亚洲熟女毛片儿| 大香蕉久久网| 国产男人的电影天堂91| 欧美 日韩 精品 国产| 精品亚洲乱码少妇综合久久| 精品国产超薄肉色丝袜足j| 午夜老司机福利片| 夫妻午夜视频| 精品少妇内射三级| 少妇粗大呻吟视频| 国产精品二区激情视频| 18在线观看网站| 十分钟在线观看高清视频www| 日本午夜av视频| 久久久久国产一级毛片高清牌| 日日夜夜操网爽| 国产黄色视频一区二区在线观看| 女人高潮潮喷娇喘18禁视频| 久久免费观看电影| 在线观看免费午夜福利视频| 国产成人欧美在线观看 | 91老司机精品| 涩涩av久久男人的天堂| 亚洲精品自拍成人| 亚洲精品av麻豆狂野| 午夜福利视频在线观看免费| 亚洲av国产av综合av卡| 99九九在线精品视频| av欧美777| 久久99精品国语久久久| 亚洲精品国产av成人精品| 国产一卡二卡三卡精品| 成人国语在线视频| 婷婷成人精品国产| 中文欧美无线码| 免费日韩欧美在线观看| 欧美日本中文国产一区发布| av天堂久久9| 亚洲精品一区蜜桃| 成年人黄色毛片网站| 国产在视频线精品| 捣出白浆h1v1| 精品国产一区二区久久| 欧美性长视频在线观看| 色94色欧美一区二区| 午夜久久久在线观看| 午夜视频精品福利| 久久人妻熟女aⅴ| 在线观看国产h片| 亚洲av在线观看美女高潮| 电影成人av| 国产成人a∨麻豆精品| 一区二区日韩欧美中文字幕| 日本一区二区免费在线视频| 国产黄色视频一区二区在线观看| 女性生殖器流出的白浆| 久久国产精品人妻蜜桃| 国产日韩欧美在线精品| 最黄视频免费看| 亚洲一区中文字幕在线| 国产在线免费精品| 一级毛片电影观看| 欧美av亚洲av综合av国产av| 国产熟女午夜一区二区三区| 欧美日韩av久久| 国产三级黄色录像| 久久ye,这里只有精品| 亚洲精品一区蜜桃| 日韩大码丰满熟妇| 欧美人与性动交α欧美软件| 国产精品二区激情视频| 91麻豆av在线| 啦啦啦啦在线视频资源| 欧美日韩综合久久久久久| 亚洲情色 制服丝袜| 精品亚洲成国产av| 一区在线观看完整版| a级毛片黄视频| 成人免费观看视频高清| 欧美精品av麻豆av| 一个人免费看片子| 日本av免费视频播放| 亚洲精品国产av成人精品| 人人妻人人爽人人添夜夜欢视频| av网站在线播放免费| 曰老女人黄片| 精品一区二区三卡| 老司机影院毛片| 精品人妻一区二区三区麻豆| 亚洲久久久国产精品| 麻豆av在线久日| 亚洲 欧美一区二区三区| 乱人伦中国视频| 天堂中文最新版在线下载| 在线观看国产h片| 亚洲伊人色综图| 麻豆国产av国片精品| 一区二区三区激情视频| 久久精品亚洲av国产电影网| 亚洲熟女毛片儿| 1024视频免费在线观看| 亚洲专区国产一区二区| 婷婷色麻豆天堂久久| 午夜激情av网站| 男女免费视频国产| 高清欧美精品videossex| 亚洲国产精品999| 性少妇av在线| 999久久久国产精品视频| 婷婷色麻豆天堂久久| 又黄又粗又硬又大视频| 成人亚洲精品一区在线观看| 9色porny在线观看| h视频一区二区三区| 亚洲欧美成人综合另类久久久| 欧美日韩国产mv在线观看视频| 国产又爽黄色视频| 国产真人三级小视频在线观看| www日本在线高清视频| 好男人视频免费观看在线| 欧美97在线视频| 午夜av观看不卡| 大片免费播放器 马上看| 考比视频在线观看| 国产色视频综合| 50天的宝宝边吃奶边哭怎么回事| 晚上一个人看的免费电影| 天堂中文最新版在线下载| 黄片播放在线免费| 女人高潮潮喷娇喘18禁视频| 成年美女黄网站色视频大全免费| 久久精品成人免费网站| 国产高清国产精品国产三级| 亚洲成人免费电影在线观看 | 午夜av观看不卡| 日日摸夜夜添夜夜爱| 亚洲伊人色综图| 51午夜福利影视在线观看| 欧美国产精品一级二级三级| 丝袜喷水一区| 99久久精品国产亚洲精品| 女人被躁到高潮嗷嗷叫费观| 亚洲精品久久久久久婷婷小说| 五月天丁香电影| 老司机影院毛片| 亚洲色图综合在线观看| 人妻一区二区av| 多毛熟女@视频| 亚洲第一av免费看| 成人国语在线视频| 无遮挡黄片免费观看| 国产成人一区二区三区免费视频网站 | 欧美大码av| av欧美777| 狂野欧美激情性xxxx| 亚洲国产精品国产精品| 好男人电影高清在线观看| 一区二区三区激情视频| 永久免费av网站大全| 黄色a级毛片大全视频| 巨乳人妻的诱惑在线观看| 久久精品久久久久久噜噜老黄| 国产黄色视频一区二区在线观看| 午夜福利在线免费观看网站| 两个人看的免费小视频| 亚洲国产看品久久| 99热国产这里只有精品6| 一二三四在线观看免费中文在| 国产成人精品在线电影| 国产人伦9x9x在线观看| 91成人精品电影| 又大又黄又爽视频免费| 韩国高清视频一区二区三区| 成在线人永久免费视频| 好男人视频免费观看在线| 一本一本久久a久久精品综合妖精| 美女扒开内裤让男人捅视频| 新久久久久国产一级毛片| 中文欧美无线码| 手机成人av网站| 尾随美女入室| 激情五月婷婷亚洲| 97在线人人人人妻| 国产精品一国产av| 日韩中文字幕欧美一区二区 | 久久久久久久久免费视频了| 午夜免费观看性视频| 欧美日韩一级在线毛片| 飞空精品影院首页| 亚洲人成电影观看| 日韩 亚洲 欧美在线| 欧美精品一区二区大全| 天天躁日日躁夜夜躁夜夜| 看免费成人av毛片| 亚洲欧美日韩高清在线视频 | 精品久久久精品久久久| 熟女av电影| 亚洲情色 制服丝袜| 久久亚洲精品不卡| 国产精品免费大片| 一区福利在线观看| 国产精品人妻久久久影院| videos熟女内射| 亚洲欧美成人综合另类久久久| 色婷婷久久久亚洲欧美| 最近手机中文字幕大全| 在线精品无人区一区二区三| 爱豆传媒免费全集在线观看| 国产一级毛片在线| 亚洲成色77777| 天堂8中文在线网| 99久久人妻综合| 国产精品 国内视频| 下体分泌物呈黄色| 久久人妻熟女aⅴ| 热re99久久国产66热| 亚洲成人国产一区在线观看 | 精品久久久精品久久久| 国精品久久久久久国模美| 另类精品久久| 夫妻性生交免费视频一级片| 欧美久久黑人一区二区| 欧美av亚洲av综合av国产av| 亚洲美女黄色视频免费看| 一本大道久久a久久精品| 亚洲久久久国产精品| 国产麻豆69| 精品国产超薄肉色丝袜足j| 一级毛片黄色毛片免费观看视频| 亚洲,一卡二卡三卡| 熟女av电影| 两人在一起打扑克的视频| 亚洲精品一卡2卡三卡4卡5卡 | 女人被躁到高潮嗷嗷叫费观| 亚洲中文日韩欧美视频| 日韩视频在线欧美| 欧美日韩视频精品一区| 女人爽到高潮嗷嗷叫在线视频| 久久亚洲国产成人精品v| 中文欧美无线码| 亚洲av欧美aⅴ国产| 高清不卡的av网站| 青春草视频在线免费观看| 亚洲免费av在线视频| 国产成人欧美| 亚洲精品日韩在线中文字幕| www日本在线高清视频| 精品久久久久久久毛片微露脸 | 欧美+亚洲+日韩+国产| 波野结衣二区三区在线| 熟女少妇亚洲综合色aaa.| 日韩中文字幕欧美一区二区 | 水蜜桃什么品种好| 啦啦啦中文免费视频观看日本| 捣出白浆h1v1| 欧美久久黑人一区二区| 少妇 在线观看| 亚洲专区国产一区二区| 欧美日韩综合久久久久久| 国产精品一区二区免费欧美 | 国产视频一区二区在线看| 99国产精品一区二区蜜桃av | 青春草视频在线免费观看| 亚洲精品国产一区二区精华液| 久久狼人影院| 色综合欧美亚洲国产小说| av在线老鸭窝| 首页视频小说图片口味搜索 | 国产欧美日韩一区二区三区在线| 最黄视频免费看| 久久久久久久大尺度免费视频| bbb黄色大片| videos熟女内射| 成年女人毛片免费观看观看9 | 日韩欧美一区视频在线观看| 欧美另类一区| 高清视频免费观看一区二区| 啦啦啦在线免费观看视频4| 欧美日本中文国产一区发布| 一级毛片女人18水好多 | 国产视频首页在线观看| 午夜免费男女啪啪视频观看| 久久久精品94久久精品| 赤兔流量卡办理| 激情五月婷婷亚洲| 国产91精品成人一区二区三区 | 亚洲精品久久久久久婷婷小说| 国产日韩欧美视频二区| 制服诱惑二区| 少妇精品久久久久久久| 国产精品一区二区在线不卡| 美女脱内裤让男人舔精品视频| 亚洲精品成人av观看孕妇| 亚洲av成人精品一二三区| 少妇精品久久久久久久| 亚洲精品国产一区二区精华液| 亚洲精品久久成人aⅴ小说| 脱女人内裤的视频| 一级毛片黄色毛片免费观看视频| 欧美精品啪啪一区二区三区 | 欧美成狂野欧美在线观看| 波多野结衣av一区二区av| 成人18禁高潮啪啪吃奶动态图| 国产精品一区二区在线观看99| 水蜜桃什么品种好| 99精品久久久久人妻精品| 男人添女人高潮全过程视频| 日日摸夜夜添夜夜爱| av网站免费在线观看视频| 久久久久久久国产电影| 多毛熟女@视频| 午夜福利在线免费观看网站| 99热全是精品| 一本—道久久a久久精品蜜桃钙片| 亚洲成人国产一区在线观看 | 亚洲人成电影观看| 日本91视频免费播放| 国产成人av激情在线播放| 男女之事视频高清在线观看 | 亚洲精品自拍成人| 极品少妇高潮喷水抽搐| 久久午夜综合久久蜜桃| 免费观看人在逋| 一级黄片播放器| 嫁个100分男人电影在线观看 | 中文字幕另类日韩欧美亚洲嫩草| 如日韩欧美国产精品一区二区三区| 久久人人爽人人片av| 国产精品成人在线| 久久久久久久大尺度免费视频| 亚洲欧美成人综合另类久久久| 丁香六月天网| 大片电影免费在线观看免费| 国产亚洲精品第一综合不卡| 成人国产av品久久久| 免费看十八禁软件| 97精品久久久久久久久久精品| 老鸭窝网址在线观看| 一二三四在线观看免费中文在| 最新的欧美精品一区二区| 婷婷成人精品国产| 少妇人妻 视频| 亚洲国产毛片av蜜桃av| 欧美中文综合在线视频| 熟女av电影| 真人做人爱边吃奶动态| 国产高清不卡午夜福利| 在现免费观看毛片| 最新的欧美精品一区二区| 丝袜喷水一区| 日日夜夜操网爽| 男女边摸边吃奶| 国产日韩欧美亚洲二区| 我的亚洲天堂| 男的添女的下面高潮视频| 黑人巨大精品欧美一区二区蜜桃| 久久久精品94久久精品| 你懂的网址亚洲精品在线观看| 亚洲国产欧美日韩在线播放| 欧美国产精品一级二级三级| 欧美日韩亚洲综合一区二区三区_| 丰满饥渴人妻一区二区三| 一级片'在线观看视频| 日韩熟女老妇一区二区性免费视频| 久久久久国产精品人妻一区二区| 午夜av观看不卡| 精品人妻一区二区三区麻豆| 天堂中文最新版在线下载| 黑人猛操日本美女一级片| 尾随美女入室| 久久99热这里只频精品6学生| 黑丝袜美女国产一区| 亚洲一区中文字幕在线| 青草久久国产| 好男人电影高清在线观看| 又粗又硬又长又爽又黄的视频| 午夜福利,免费看| 精品少妇内射三级| 日韩熟女老妇一区二区性免费视频| 国产片特级美女逼逼视频| 国产精品成人在线| 嫩草影视91久久|