CN112699792B - 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 - Google Patents
基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 Download PDFInfo
- Publication number
- CN112699792B CN112699792B CN202011607633.0A CN202011607633A CN112699792B CN 112699792 B CN112699792 B CN 112699792B CN 202011607633 A CN202011607633 A CN 202011607633A CN 112699792 B CN112699792 B CN 112699792B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- sine
- iteration
- machine tool
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004913 activation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 238000011176 pooling Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,本发明首先构建卷积神经网络模型,再使用正余弦算法优化卷积神经网络模型参数,最后对优化后的卷积神经网络模型对轴承的状态进行分类识别,本发明通过正余弦算法对卷积神经网络进行优化,解决了卷积神经网络模型训练时易陷入局部最优,且卷积神经网络模型参数大多靠经验人工选择的问题。本发明通过正余弦算法优化后的卷积神经网络,提高了轴承状态识别的准确率,降低了误差值,提高了工作效率。
Description
技术领域
本发明属于轴承状态识别预测领域,具体涉及一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法。
背景技术
轴承是机床主轴的关键零部件之一,在机床工作时轴承的状态对机床主轴系统特性具有较大影响。随着智能制造水平的提高,机电装备的状态监测迈入大数据智能化时代,同时,机床设备的健康状态直接关系到加工产品的质量和企业的安全生产,为了保证机床的安全运行,必须对其正常运行状态、故障状态以及故障类别进行识别评估。因此,通过深度学习技术提高轴承状态识别的准确率及稳定性具有重要意义。
随着“大数据、云计算”时代的到来以及传感器技术的发展,工业系统中能够获取的监测数据越来越多,机器学习作为神经网络发展而来的一项新技术,以其强大的特征提取能力提供了一种解决状态识别的思路。其中,卷积神经网络时一类经典的前馈神经网络,具有稀疏交互、参数共享以及空间池化等优良特性。
正弦余弦算法是一种群体智能优化算法,具有收敛速度快且可以有效避免陷入局部最优的特点,通过正余弦算法来优化卷积神经网络,能够改善模型训练时易陷入局部最优的问题,从而提高了轴承识别的准确率。
发明内容
本发明的目的在于克服上述不足,提供一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,能够解决卷积神经网络模型训练时易陷入局部最优的问题,且卷积神经网络模型参数靠人工经验选择的问题,对于轴承的状态有较好的识别效果。
为了达到上述目的,本发明包括以下步骤:
步骤一,对轴承各个状态的振动信号进行归一化处理和打标签处理;
步骤二,构建卷积神经网络模型;
步骤三,使用正余弦算法优化卷积神经网络模型参数;
步骤四,对优化后的卷积神经网络模型进行测试和训练后,再对轴承的状态进行分类识别。
步骤一中,对振动信号进行归一化处理,使振幅都归一化为[0,1],归一化处理公式为:
其中,Pmax表示样本数据的最大值;Pmin表示样本数据的最小值。
步骤一中,对振动信号进行打标签处理是对轴承不同的损伤类型进行分类。
步骤二中,采用dropout方法构建神经网络模型。
步骤二中,采用ReLU函数作为卷积神经网络的激活函数,当ReLU函数的输入值大于0时导数值始终为1;当ReLU函数的输入值小于0时导数值始终为0。
正余弦算法的过程如下:
第一步,初始化算法参数,包括初始化种群规模N,控制参数a,最大迭代次数T等;
第二步,在解的空间中随机初始化N个个体(k=1,2,…,N)组成初始群体;
第三步,计算每个个体的适应度值,并记录最优个体位置,更新迭代方程来施加扰动并更新解集;
第四步,判断是否达到终止条件,终止条件为达到最大迭代次数或者达到满意解,若不满足终止条件,则返回第三步,若满足终止条件,则结束迭代,输出最优参数。
具体的迭代方程分为以下正弦迭代或余弦迭代方程:
其中,是第t+1次迭代时当前解在第i维中的位置,/>是第t次迭代时当前解在第i维中的位置;r1是控制搜索方向的参数,r2是控制搜索距离的参数,r3是正弦余弦切换操作的参数,r4是判别系数;Pi是目标点在第i维中的位置。
其中maxt为最大迭代次数,t为迭代次数,a为常数值,r2=rand(0,2π),r3=rand(0,1)。
与现有技术相比,本发明首先构建卷积神经网络模型,再使用正余弦算法优化卷积神经网络模型参数,最后对优化后的卷积神经网络模型对轴承的状态进行分类识别,本发明通过正余弦算法对卷积神经网络进行优化,解决了卷积神经网络模型训练时易陷入局部最优,且卷积神经网络模型参数大多靠经验人工选择的问题。本发明通过正余弦算法优化后的卷积神经网络,提高了轴承状态识别的准确率,降低了误差值,提高了工作效率。
附图说明
图1为本发明的流程图;
图2为本发明中基于正余弦算法优化卷积神经网络的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1和图2,本发明包括以下步骤:
步骤一,对轴承各个状态的振动信号进行归一化处理和打标签处理;
步骤二,构建卷积神经网络模型;
步骤三,使用正余弦算法优化卷积神经网络模型参数;
步骤四,对优化后的卷积神经网络模型进行测试和训练后,再对轴承的状态进行分类识别。
步骤一中,对振动信号进行归一化处理,使振幅都归一化为[0,1],归一化处理公式为:
其中,Pmax表示样本数据的最大值;Pmin表示样本数据的最小值。
优选地,所构建的卷积神经网络模型包括输入层、卷积层C1、ReLU激活函数、池化层P1且池化方法为最大池化、卷积层C2、ReLU激活函数、池化层P2且池化方法为最大池化、全连接层。
优选地,激活函数采用ReLU函数,可以有效克服梯度弥散现象。
优选地,采用dropout方法,使得卷积神经网络模型不会过度依赖某些神经元,从而在一定程度上抑制过拟合,提高模型的泛化能力。
优选地,采用正余弦算法对卷积神经网络进行优化,可以有效解决卷积神经网络易陷入局部最优解的问题。
实施例:
本发明提供一种基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,方法的流程图如附图1所示,包括以下步骤:
步骤一:将所采集的轴承振动信号数据集进行预处理,即对振动信号进行归一化处理,使得信号振幅都归一化为[0,1],归一化处理公式为:
对于上述公式,其中,Pmax表示样本数据的最大值;Pmin表示样本数据的最小值。
步骤二:对轴承的不同状态进行打标签处理,用数字0-9表示,它们分别是损伤直径为0.007inch且为滚动体损伤(=0)、损伤直径为0.007inch且为内圈损伤(=1)、损伤直径为0.007inch且为外圈损伤(=2)、损伤直径为0.014inch且为滚动体损伤(=3)、损伤直径为0.014inch且为内圈损伤(=4)、损伤直径为0.014inch且为外圈损伤(=5)、损伤直径为0.021inch且为滚动体损伤(=6)、损伤直径为0.021inch且内圈损伤(=7)、损伤直径为0.021inch且为外圈损伤(=8)、正常(=9)。
步骤三:构建适用于轴承状态识别的卷积神经网络模型,包括输入层、卷积层C1、ReLU激活函数、池化层P1(最大池化、池化窗口大小为2×2)、卷积层C2、ReLU激活函数、池化层P2(最大池化,池化窗口大小为2×2)、全连接层(采用dropout方法)。
采用ReLU函数作为卷积神经网络的激活函数,当ReLU函数的输入值大于0时导数值始终为1;当ReLU函数的输入值小于0时导数值始终为0,这能够将y的梯度完整的传递给x,可以很好的克服梯度弥散现象。ReLU激活函数的公式为:
对于上述公式,其中,x表示激活函数的输入,y表示激活函数的输出。
采用dropout方法在学习过程中可以随机丢弃一部分神经元,因此模型不会过度依赖某些神经元,能在一定程度上抑制过拟合现象。
步骤四:使用正余弦算法优化卷积神经网络的参数;采用正余弦算法可以解决卷积神经网络易陷入局部最优解的问题,所述正余弦算法的过程如下:
(1)初始化算法参数,包括初始化种群规模N,控制参数a,最大迭代次数T等;
(2)在解的空间中随机初始化N个个体(k=1,2,…,N)组成初始群体;
(3)计算每个个体的适应度值,并记录最优个体位置;
通过如下更新迭代方程来施加扰动并更新解集,具体的迭代方程分为以下正弦迭代或余弦迭代方程两种。
对于上述公式,其中,是第t+1次迭代时当前解在第i维中的位置;/>是第t次迭代时当前解在第i维中的位置;r1是控制搜索方向的参数,并且/>(其中maxt为最大迭代次数,t为迭代次数,a取常数值2);r2是控制搜索距离的参数,并且r2=rand(0,2π);r3是正弦余弦切换操作的参数,并且r3=rand(0,1);r4是判别系数;Pi是目标点在第i维中的位置。
(4)判断是否达到终止条件,即当达到最大迭代次数或者达到满意解,若不满足上述条件,则返回过程(3),若满足上述条件,则结束迭代,输出最优参数。
步骤五:对优化后的卷积神经网络进行训练和测试。优化后的卷积神经网络模型比直接进行构造的卷积神经网络模型的精确度要更高。
Claims (5)
1.基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,其特征在于,包括以下步骤:
步骤一,对轴承各个状态的振动信号进行归一化处理和打标签处理;
步骤二,构建卷积神经网络模型;
步骤三,使用正余弦算法优化卷积神经网络模型参数;
其中,正余弦算法的过程如下:
第一步,初始化算法参数,包括初始化种群规模N,控制参数a,最大迭代次数T等;
第二步,在解的空间中随机初始化N个个体组成初始群体;
第三步,计算每个个体的适应度值,并记录最优个体位置,更新迭代方程来施加扰动并更新解集;
第四步,判断是否达到终止条件,终止条件为达到最大迭代次数或者达到满意解,若不满足终止条件,则返回第三步,若满足终止条件,则结束迭代,输出最优参数;
具体的迭代方程分为以下正弦迭代或余弦迭代方程:
其中,是第t+1次迭代时当前解在第i维中的位置,/>是第t次迭代时当前解在第i维中的位置;r1是控制搜索方向的参数,r2是控制搜索距离的参数,r3是正弦余弦切换操作的参数,r4是判别系数;Pi是目标点在第i维中的位置;
其中maxt为最大迭代次数,t为迭代次数,a为常数值,r2=rand(0,2π),r3=rand(0,1);
步骤四,对优化后的卷积神经网络模型进行测试和训练后,再对轴承的状态进行分类识别。
2.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,其特征在于,步骤一中,对振动信号进行归一化处理,使振幅都归一化为[0,1],归一化处理公式为:
其中,Pmax表示样本数据的最大值;Pmin表示样本数据的最小值。
3.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,其特征在于,步骤一中,对振动信号进行打标签处理是对轴承不同的损伤类型进行分类。
4.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,其特征在于,步骤二中,采用dropout方法构建神经网络模型。
5.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法,其特征在于,步骤二中,采用ReLU函数作为卷积神经网络的激活函数,当ReLU函数的输入值大于0时导数值始终为1;当ReLU函数的输入值小于0时导数值始终为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607633.0A CN112699792B (zh) | 2020-12-29 | 2020-12-29 | 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607633.0A CN112699792B (zh) | 2020-12-29 | 2020-12-29 | 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699792A CN112699792A (zh) | 2021-04-23 |
CN112699792B true CN112699792B (zh) | 2024-04-05 |
Family
ID=75512433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011607633.0A Active CN112699792B (zh) | 2020-12-29 | 2020-12-29 | 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699792B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598552A (zh) * | 2019-08-09 | 2019-12-20 | 吉林大学 | 基于改进粒子群算法优化卷积神经网络的表情识别方法 |
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN112085174A (zh) * | 2020-10-21 | 2020-12-15 | 广东工业大学 | 一种卷积神经网络优化方法、装置和设备 |
CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
-
2020
- 2020-12-29 CN CN202011607633.0A patent/CN112699792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN110598552A (zh) * | 2019-08-09 | 2019-12-20 | 吉林大学 | 基于改进粒子群算法优化卷积神经网络的表情识别方法 |
CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
CN112085174A (zh) * | 2020-10-21 | 2020-12-15 | 广东工业大学 | 一种卷积神经网络优化方法、装置和设备 |
Non-Patent Citations (4)
Title |
---|
Seyedali Mirjalili.SCA: A Sine Cosine Algorithm for solving optimization problems.Knowledge-Based Systems.2016,全文. * |
宫文峰 ; 陈辉 ; 张泽辉 ; 张美玲 ; 管聪 ; 王鑫 ; .基于改进卷积神经网络的滚动轴承智能故障诊断研究.振动工程学报.2020,(第02期),全文. * |
曹继平 ; 王赛 ; 岳小丹 ; 雷宁 ; .基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究.振动与冲击.2020,(第05期),全文. * |
蒙志强 ; 董绍江 ; 潘雪娇 ; 吴文亮 ; 贺坤 ; 梁天 ; 赵兴新 ; .基于改进卷积神经网络的滚动轴承故障诊断.组合机床与自动化加工技术.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112699792A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
CN111476263B (zh) | 一种基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
Liang et al. | Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN110245390B (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN115828754A (zh) | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN115640526A (zh) | 钻井风险识别模型及建立方法、识别方法和计算机设备 | |
Zhang et al. | Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model | |
CN112699792B (zh) | 基于正余弦算法优化卷积神经网络的机床轴承状态识别方法 | |
CN111178897B (zh) | 在不平衡数据上快速特征学习的代价敏感的动态聚类方法 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN114330500B (zh) | 基于storm平台的电网电力设备在线并行诊断方法及系统 | |
CN113176093B (zh) | 基于isca-sdae的滚动轴承故障诊断方法及系统 | |
CN116738330A (zh) | 一种半监督域自适应脑电信号的分类方法 | |
CN114595750A (zh) | 基于深度强化学习参数自动调整的铝电解故障识别方法 | |
CN113191219B (zh) | 一种风机轴承故障自适应辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |