• <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
    亚洲精品在线美女| 脱女人内裤的视频| 日韩高清综合在线| 国产黄色小视频在线观看| 国产精品av视频在线免费观看| 日本五十路高清| 亚洲中文字幕一区二区三区有码在线看 | 国内精品一区二区在线观看| 看黄色毛片网站| 人人妻人人看人人澡| 国产激情偷乱视频一区二区| 欧美最黄视频在线播放免费| 脱女人内裤的视频| 日韩欧美在线乱码| 韩国av一区二区三区四区| 欧美乱色亚洲激情| 一区二区三区国产精品乱码| 亚洲人成网站高清观看| 久久久精品大字幕| 日本三级黄在线观看| 国产成人啪精品午夜网站| 午夜久久久久精精品| 女人被狂操c到高潮| 特大巨黑吊av在线直播| 婷婷丁香在线五月| 精品久久久久久成人av| 日韩欧美国产在线观看| 在线播放国产精品三级| 精品第一国产精品| 亚洲黑人精品在线| 日本a在线网址| 黄频高清免费视频| 国产精品爽爽va在线观看网站| 久久久久久大精品| 免费观看人在逋| 亚洲精品中文字幕一二三四区| 亚洲精品中文字幕一二三四区| 在线观看午夜福利视频| 嫁个100分男人电影在线观看| 国产精华一区二区三区| 99精品久久久久人妻精品| 99久久精品国产亚洲精品| 欧美黄色淫秽网站| 欧美另类亚洲清纯唯美| 国产成人啪精品午夜网站| 亚洲欧洲精品一区二区精品久久久| 伦理电影免费视频| 欧美久久黑人一区二区| 欧美最黄视频在线播放免费| 欧美最黄视频在线播放免费| 欧美高清成人免费视频www| 成人高潮视频无遮挡免费网站| 亚洲一区中文字幕在线| 日本成人三级电影网站| 国产黄片美女视频| 国产乱人伦免费视频| 亚洲熟妇中文字幕五十中出| 国产精品98久久久久久宅男小说| 一本大道久久a久久精品| 欧美日韩精品网址| 亚洲国产高清在线一区二区三| 亚洲中文字幕一区二区三区有码在线看 | 午夜老司机福利片| xxxwww97欧美| 成人三级做爰电影| 亚洲av电影不卡..在线观看| 国产av一区在线观看免费| 可以在线观看毛片的网站| 91九色精品人成在线观看| 久久久久免费精品人妻一区二区| 搞女人的毛片| 婷婷精品国产亚洲av| 色哟哟哟哟哟哟| 老熟妇仑乱视频hdxx| av天堂在线播放| 久久婷婷人人爽人人干人人爱| 黄片小视频在线播放| 麻豆国产97在线/欧美 | 给我免费播放毛片高清在线观看| 国产成人影院久久av| 禁无遮挡网站| 欧美色欧美亚洲另类二区| 校园春色视频在线观看| 成人18禁高潮啪啪吃奶动态图| 精品国内亚洲2022精品成人| 在线观看舔阴道视频| 欧美精品啪啪一区二区三区| 亚洲熟女毛片儿| 每晚都被弄得嗷嗷叫到高潮| 国产精品久久久久久亚洲av鲁大| 国产亚洲精品第一综合不卡| 97人妻精品一区二区三区麻豆| 1024香蕉在线观看| 亚洲精品粉嫩美女一区| 男女之事视频高清在线观看| 男插女下体视频免费在线播放| 国产成人一区二区三区免费视频网站| 久久草成人影院| 黑人欧美特级aaaaaa片| 一级毛片高清免费大全| 国产成+人综合+亚洲专区| 久久国产精品影院| 好男人电影高清在线观看| 国产伦一二天堂av在线观看| www.精华液| 校园春色视频在线观看| 亚洲第一电影网av| 淫妇啪啪啪对白视频| 欧美日本视频| 国语自产精品视频在线第100页| 亚洲中文字幕日韩| 日本五十路高清| 男人舔女人下体高潮全视频| 亚洲精品美女久久久久99蜜臀| 听说在线观看完整版免费高清| 国产高清有码在线观看视频 | 精品日产1卡2卡| 亚洲av成人精品一区久久| 精品国内亚洲2022精品成人| 99国产精品一区二区三区| 在线观看66精品国产| 少妇粗大呻吟视频| 丁香欧美五月| 亚洲精品美女久久久久99蜜臀| 性色av乱码一区二区三区2| 久久久久久久精品吃奶| 免费看十八禁软件| bbb黄色大片| www.熟女人妻精品国产| 国产1区2区3区精品| 天天一区二区日本电影三级| 国产一区二区三区视频了| 色在线成人网| 国产成年人精品一区二区| 精品免费久久久久久久清纯| 18美女黄网站色大片免费观看| 在线观看免费日韩欧美大片| 女警被强在线播放| 久久久国产成人精品二区| 久久久久久久久免费视频了| 在线十欧美十亚洲十日本专区| 久久香蕉精品热| 日本五十路高清| 香蕉av资源在线| 亚洲性夜色夜夜综合| 岛国在线免费视频观看| 高清毛片免费观看视频网站| 精品无人区乱码1区二区| 欧美色欧美亚洲另类二区| 黄色丝袜av网址大全| 国产1区2区3区精品| 色老头精品视频在线观看| 我的老师免费观看完整版| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品香港三级国产av潘金莲| 国产精品久久久久久精品电影| 日日摸夜夜添夜夜添小说| 一级毛片女人18水好多| 精品高清国产在线一区| 超碰成人久久| 老汉色∧v一级毛片| 村上凉子中文字幕在线| 久久亚洲精品不卡| 亚洲精品色激情综合| 淫秽高清视频在线观看| 老鸭窝网址在线观看| www.www免费av| 在线看三级毛片| 人妻久久中文字幕网| 欧美久久黑人一区二区| 一本综合久久免费| 婷婷亚洲欧美| 亚洲中文字幕一区二区三区有码在线看 | 女生性感内裤真人,穿戴方法视频| 国内毛片毛片毛片毛片毛片| 这个男人来自地球电影免费观看| 狂野欧美白嫩少妇大欣赏| 国产成人一区二区三区免费视频网站| 日本在线视频免费播放| 国产亚洲精品综合一区在线观看 | 亚洲无线在线观看| 亚洲精品久久国产高清桃花| 久久久久性生活片| 国内久久婷婷六月综合欲色啪| 国产激情欧美一区二区| 欧美激情久久久久久爽电影| 老司机靠b影院| 一a级毛片在线观看| 国产三级黄色录像| 国产成人影院久久av| 一进一出抽搐动态| 国产v大片淫在线免费观看| 国产1区2区3区精品| 免费无遮挡裸体视频| 日韩精品青青久久久久久| 亚洲片人在线观看| 露出奶头的视频| 久久午夜亚洲精品久久| 又爽又黄无遮挡网站| 精品久久久久久久久久免费视频| 老熟妇乱子伦视频在线观看| 精品电影一区二区在线| 婷婷六月久久综合丁香| 91av网站免费观看| 可以在线观看的亚洲视频| 国产人伦9x9x在线观看| 免费在线观看视频国产中文字幕亚洲| 亚洲专区中文字幕在线| 免费av毛片视频| 国产高清有码在线观看视频 | 精品日产1卡2卡| 一本综合久久免费| 伊人久久大香线蕉亚洲五| 91麻豆精品激情在线观看国产| 欧美日韩中文字幕国产精品一区二区三区| 18禁裸乳无遮挡免费网站照片| 成人国语在线视频| 九色国产91popny在线| 国产午夜精品论理片| 又粗又爽又猛毛片免费看| 欧美性猛交黑人性爽| 黄色片一级片一级黄色片| 国产1区2区3区精品| 亚洲 欧美 日韩 在线 免费| 色综合亚洲欧美另类图片| 一夜夜www| 国产视频内射| 男男h啪啪无遮挡| 国产午夜精品论理片| 999久久久精品免费观看国产| 国产91精品成人一区二区三区| 亚洲七黄色美女视频| 精品午夜福利视频在线观看一区| 国产精品电影一区二区三区| 日韩欧美一区二区三区在线观看| 精品少妇一区二区三区视频日本电影| 午夜福利在线在线| 亚洲精品色激情综合| a在线观看视频网站| 高清在线国产一区| 黄色成人免费大全| av在线播放免费不卡| 成人午夜高清在线视频| 校园春色视频在线观看| 超碰成人久久| 亚洲自拍偷在线| 日本a在线网址| 老司机福利观看| 99国产精品一区二区三区| 国产真人三级小视频在线观看| 听说在线观看完整版免费高清| e午夜精品久久久久久久| 无限看片的www在线观看| 一级黄色大片毛片| 亚洲人与动物交配视频| 精品一区二区三区av网在线观看| 动漫黄色视频在线观看| 日韩 欧美 亚洲 中文字幕| 国产主播在线观看一区二区| 精品久久久久久久人妻蜜臀av| 国产精品久久久久久久电影 | 一区福利在线观看| 两个人视频免费观看高清| 可以免费在线观看a视频的电影网站| 国产亚洲精品一区二区www| av天堂在线播放| 久久人妻福利社区极品人妻图片| 夜夜夜夜夜久久久久| 欧美乱码精品一区二区三区| 亚洲成人精品中文字幕电影| 舔av片在线| 性欧美人与动物交配| 日韩精品中文字幕看吧| 成人三级黄色视频| 午夜亚洲福利在线播放| 国产精品亚洲av一区麻豆| 超碰成人久久| 国产又色又爽无遮挡免费看| 99国产精品一区二区蜜桃av| 99热这里只有精品一区 | 少妇的丰满在线观看| 亚洲av成人一区二区三| 午夜影院日韩av| 欧美成人性av电影在线观看| 精品久久久久久成人av| 国产精品99久久99久久久不卡| 日韩欧美一区二区三区在线观看| 男人的好看免费观看在线视频 | 黄片小视频在线播放| 久久午夜亚洲精品久久| 丁香六月欧美| 婷婷精品国产亚洲av在线| 精品国产乱码久久久久久男人| 狂野欧美激情性xxxx| 岛国在线观看网站| 久久这里只有精品中国| 这个男人来自地球电影免费观看| svipshipincom国产片| 国产精品乱码一区二三区的特点| 九色成人免费人妻av| 成年人黄色毛片网站| 亚洲 欧美一区二区三区| 12—13女人毛片做爰片一| 久久精品综合一区二区三区| 在线看三级毛片| 特级一级黄色大片| 日本 av在线| 国产成人影院久久av| 脱女人内裤的视频| 国产男靠女视频免费网站| 亚洲七黄色美女视频| 久久久久久亚洲精品国产蜜桃av| 不卡av一区二区三区| 国产不卡一卡二| 免费看十八禁软件| 可以在线观看毛片的网站| 亚洲av成人不卡在线观看播放网| 久久久精品欧美日韩精品| 性欧美人与动物交配| 亚洲午夜精品一区,二区,三区| av在线播放免费不卡| a在线观看视频网站| 国产精品一区二区免费欧美| 亚洲专区中文字幕在线| 国产黄色小视频在线观看| √禁漫天堂资源中文www| 国产精品久久久久久久电影 | 欧美中文综合在线视频| 久久香蕉精品热| 19禁男女啪啪无遮挡网站| 少妇的丰满在线观看| 国产精品1区2区在线观看.| 91麻豆精品激情在线观看国产| 可以在线观看的亚洲视频| 日韩国内少妇激情av| 国产免费av片在线观看野外av| 久久九九热精品免费| 日日夜夜操网爽| 18禁黄网站禁片免费观看直播| 日韩大码丰满熟妇| 成人精品一区二区免费| 国产一区在线观看成人免费| av超薄肉色丝袜交足视频| 一级毛片女人18水好多| 国产三级在线视频| 欧美黑人巨大hd| 两个人看的免费小视频| 久久久久久人人人人人| 亚洲七黄色美女视频| www.精华液| 一区二区三区高清视频在线| 久久人妻福利社区极品人妻图片| 午夜久久久久精精品| 老熟妇仑乱视频hdxx| 男女之事视频高清在线观看| 两个人看的免费小视频| 午夜免费成人在线视频| 欧美黑人巨大hd| 亚洲av中文字字幕乱码综合| 日韩 欧美 亚洲 中文字幕| 毛片女人毛片| 欧美乱码精品一区二区三区| 久久精品aⅴ一区二区三区四区| 别揉我奶头~嗯~啊~动态视频| 欧美日本视频| 国产一区在线观看成人免费| 亚洲色图 男人天堂 中文字幕| 色综合婷婷激情| 国产主播在线观看一区二区| 国产三级黄色录像| 亚洲免费av在线视频| 国产精品一区二区精品视频观看| 亚洲中文av在线| av片东京热男人的天堂| 婷婷精品国产亚洲av| 国产精品久久久人人做人人爽| 国产真实乱freesex| 香蕉久久夜色| 草草在线视频免费看| 午夜福利视频1000在线观看| 精品久久久久久久人妻蜜臀av| 国产亚洲精品第一综合不卡| 亚洲国产欧美一区二区综合| 日本一本二区三区精品| 男人舔奶头视频| 一边摸一边抽搐一进一小说| 91在线观看av| 国产免费av片在线观看野外av| 精品熟女少妇八av免费久了| 成人国产综合亚洲| 国产精品九九99| 欧美另类亚洲清纯唯美| 亚洲成人免费电影在线观看| 国产三级黄色录像| 久久伊人香网站| 男人舔奶头视频| 18禁裸乳无遮挡免费网站照片| 真人做人爱边吃奶动态| 久久这里只有精品中国| 国产成人一区二区三区免费视频网站| 亚洲国产日韩欧美精品在线观看 | 亚洲成a人片在线一区二区| 国语自产精品视频在线第100页| 一二三四社区在线视频社区8| 免费看日本二区| 久久精品91蜜桃| 91av网站免费观看| 黄色a级毛片大全视频| 日韩欧美 国产精品| 久久中文字幕人妻熟女| 美女扒开内裤让男人捅视频| 精品国产超薄肉色丝袜足j| 欧美性猛交╳xxx乱大交人| 在线播放国产精品三级| 国产爱豆传媒在线观看 | 亚洲欧美日韩东京热| 天堂动漫精品| 婷婷丁香在线五月| 两个人的视频大全免费| 成人午夜高清在线视频| 国产99久久九九免费精品| 啦啦啦免费观看视频1| 别揉我奶头~嗯~啊~动态视频| 日韩精品中文字幕看吧| 一二三四社区在线视频社区8| 老司机午夜福利在线观看视频| 一区二区三区激情视频| 51午夜福利影视在线观看| 亚洲欧美日韩高清在线视频| 美女免费视频网站| 99在线视频只有这里精品首页| 色老头精品视频在线观看| 久久久久久久午夜电影| 高清在线国产一区| 此物有八面人人有两片| 日日干狠狠操夜夜爽| 黑人欧美特级aaaaaa片| 婷婷精品国产亚洲av在线| 免费看十八禁软件| 国产精品久久电影中文字幕| 成人av一区二区三区在线看| 夜夜爽天天搞| 亚洲av片天天在线观看| 国产精品一及| 国产单亲对白刺激| 99久久久亚洲精品蜜臀av| 18禁美女被吸乳视频| 啦啦啦韩国在线观看视频| 日韩免费av在线播放| 亚洲国产看品久久| 久9热在线精品视频| 成年版毛片免费区| 免费观看人在逋| 国产1区2区3区精品| 丰满人妻一区二区三区视频av | 国产精品久久久久久久电影 | av福利片在线观看| 哪里可以看免费的av片| 欧洲精品卡2卡3卡4卡5卡区| 精品人妻1区二区| 制服诱惑二区| 亚洲专区国产一区二区| 51午夜福利影视在线观看| 欧美日本视频| 国产午夜精品久久久久久| 日韩欧美国产在线观看| 美女免费视频网站| 久9热在线精品视频| 精品不卡国产一区二区三区| а√天堂www在线а√下载| 麻豆一二三区av精品| 久久精品aⅴ一区二区三区四区| 国产亚洲欧美98| 97碰自拍视频| 午夜精品久久久久久毛片777| 久热爱精品视频在线9| 国产成人精品久久二区二区91| 黑人操中国人逼视频| 亚洲国产欧洲综合997久久,| 国产精品 欧美亚洲| 亚洲自拍偷在线| 午夜老司机福利片| 老汉色∧v一级毛片| 又大又爽又粗| 欧美日韩精品网址| 午夜福利免费观看在线| 国产aⅴ精品一区二区三区波| 搡老岳熟女国产| 亚洲人成伊人成综合网2020| 色哟哟哟哟哟哟| 啪啪无遮挡十八禁网站| 特级一级黄色大片| 亚洲av电影在线进入| 成人欧美大片| 亚洲熟妇中文字幕五十中出| 亚洲第一电影网av| 欧美av亚洲av综合av国产av| e午夜精品久久久久久久| 亚洲专区中文字幕在线| 国产精华一区二区三区| 曰老女人黄片| 久久人妻福利社区极品人妻图片| 一区二区三区国产精品乱码| 男女床上黄色一级片免费看| 中文字幕最新亚洲高清| 男女做爰动态图高潮gif福利片| 国产v大片淫在线免费观看| 村上凉子中文字幕在线| 亚洲欧美激情综合另类| 亚洲成人久久性| 久久性视频一级片| 久久香蕉精品热| av超薄肉色丝袜交足视频| 免费无遮挡裸体视频| 人成视频在线观看免费观看| 少妇熟女aⅴ在线视频| 在线观看美女被高潮喷水网站 | 亚洲avbb在线观看| 国产精品久久久av美女十八| 免费在线观看黄色视频的| 精品国产超薄肉色丝袜足j| 在线观看免费日韩欧美大片| 国产精品免费视频内射| 国产精品久久久久久人妻精品电影| 久久久久国产精品人妻aⅴ院| 一夜夜www| 亚洲自偷自拍图片 自拍| 天天添夜夜摸| 亚洲av片天天在线观看| 欧美性猛交黑人性爽| 亚洲 欧美一区二区三区| www.999成人在线观看| 天堂影院成人在线观看| 婷婷六月久久综合丁香| 精品午夜福利视频在线观看一区| 亚洲真实伦在线观看| 99久久精品国产亚洲精品| 女人高潮潮喷娇喘18禁视频| bbb黄色大片| 国产精品亚洲av一区麻豆| 午夜福利高清视频| 亚洲成av人片免费观看| 欧美三级亚洲精品| 在线观看免费日韩欧美大片| 亚洲 欧美 日韩 在线 免费| 一本久久中文字幕| 欧美性长视频在线观看| 免费看美女性在线毛片视频| 男男h啪啪无遮挡| 露出奶头的视频| 亚洲精品国产一区二区精华液| 国产精品久久久av美女十八| 少妇的丰满在线观看| 搡老岳熟女国产| 色av中文字幕| 美女大奶头视频| 国产v大片淫在线免费观看| 美女大奶头视频| 91麻豆av在线| av在线播放免费不卡| 色综合欧美亚洲国产小说| 在线视频色国产色| 国产成人精品无人区| 成人高潮视频无遮挡免费网站| 两个人视频免费观看高清| 一本大道久久a久久精品| 亚洲精品中文字幕一二三四区| 亚洲最大成人中文| 最近最新免费中文字幕在线| 又紧又爽又黄一区二区| 十八禁人妻一区二区| 久久精品91蜜桃| 好男人在线观看高清免费视频| 老司机靠b影院| 国产熟女午夜一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩福利视频一区二区| 日本免费一区二区三区高清不卡| 18禁黄网站禁片午夜丰满| 亚洲精品在线观看二区| 夜夜夜夜夜久久久久| www日本黄色视频网| 99热这里只有精品一区 | 亚洲av五月六月丁香网| 岛国在线免费视频观看| 婷婷亚洲欧美| 久久精品91无色码中文字幕| 999久久久精品免费观看国产| 别揉我奶头~嗯~啊~动态视频| 久久精品人妻少妇| 亚洲一区高清亚洲精品| 国产不卡一卡二| 一本精品99久久精品77| 亚洲18禁久久av| 看黄色毛片网站| 国产亚洲精品久久久久5区| 亚洲国产精品合色在线| 久久亚洲真实| 三级男女做爰猛烈吃奶摸视频| 18禁裸乳无遮挡免费网站照片| 一边摸一边做爽爽视频免费| 香蕉国产在线看| 欧美一区二区精品小视频在线| 国产日本99.免费观看| 午夜福利18| 少妇的丰满在线观看| 日本 av在线| 最近最新中文字幕大全电影3| 男女床上黄色一级片免费看| 国产精品野战在线观看| 香蕉丝袜av| av福利片在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久亚洲av毛片大全| 亚洲一区高清亚洲精品|