论文部分内容阅读
在当今的生产生活中，机械设备作为一种最基本的生产力工具之一与我们的生活息息相关，其高度自动化以及高精度化方向发展趋势越来越明显。而滑动轴承旋转机械在机械设备中所占比例非常大，对其故障诊断以及监测工作就显得尤为重要。在滑动轴承故障中，轴心轨迹能够直接反映设备许多的故障与状态信息，这为诊断轴承故障提供了一个新思路。在传统的诊断方法中，通常是将轴心轨迹数据采集后，对其进行特征提取，再用模式识别的方式识别轴心轨迹。这样的识别方式能够分辨出轴心轨迹，但由于轴心轨迹表达的故障信息非常多，因此存在许多的特征未被利用起来。再加之特征提取的过程较为繁琐，同时也容易受到数据变化的影响，所以传统的识别方法需做大量的特征提取的工作。随后，由于机器学习的发展，对轴心轨迹的识别方法也再一次更新，在提取轴心轨迹的特征后，将其输入给神经网络等机器学习算法能够得到较好的识别率。但是想得到一个识别率较高，并且不需要过多的人工提取特征的神经网络，就需要对模型的大小进行扩大，将人工提取特征的工作都交给模型去做，这样得出来的模型参数不仅多而且模型非常大。基于此，本文将针对轴心轨迹的识别利用深度学习算法搭建轻量化卷积神经网络。
在总结了国内外对于轴心轨迹识别方法的基础上，得出目前所存在的问题。并依据轴心轨迹计算实例，模拟三种故障的轴心轨迹图像，每种故障中又分三种不同的故障严重程度，然后建立相关的数据集。在此数据集的基础上，训练出五种不同深度的生成对抗网络，由生成器误差以及判别器精度得出性能最优的生成对抗网络，并用此网络建立相关的轴心轨迹测试集。
随后，以轻量化为目的，分别训练了BP神经网络、LeNet-5以及SqueezeNet三种神经网络。并从模型大小、测试精度、测试误差以及参数数量等方面对三种神经网络进行了对比，综合得出SqueezeNet网络在保证测试精度的前提下，其模型大小比LeNet-5缩小了近20倍。然后以SqueezeNet网络结构为基础，搭建适合识别轴心轨迹图像的轻量化卷积神经网络结构，并通过实验调整网络的深度和宽度等参数，得出一个综合性能最好的网络结构。调整参数的过程有：在SqueezeNet网络的基础上，以减少网络层数为主线，以增加卷积通道数量提高网络的性能为辅线，多次改进网络结构并测试其性能；随后，更换激活函数以寻求更优的训练结果。
最后，为了验证算法的抗干扰能力和泛化能力，用生成对抗网络建立的测试集来验证各个训练好的网络，包括LeNet-5和BP神经网络，在测试结果中基于SqueezeNet改进的轴心轨迹识别网络在测试集中的精度最高能够达到0.951，模型最小为3.86MB，测试误差最小为0.15，总体样本测试时间最小为0.22ms，综合测试结果表明，本文基于轻量化卷积神经网络改进的轴心轨迹识别网络泛化性能好，抗干扰能力强，识别速度快，也实现了模型的轻量化，能满足轻量化网络对轴心轨迹图像识别的要求。
在总结了国内外对于轴心轨迹识别方法的基础上，得出目前所存在的问题。并依据轴心轨迹计算实例，模拟三种故障的轴心轨迹图像，每种故障中又分三种不同的故障严重程度，然后建立相关的数据集。在此数据集的基础上，训练出五种不同深度的生成对抗网络，由生成器误差以及判别器精度得出性能最优的生成对抗网络，并用此网络建立相关的轴心轨迹测试集。
随后，以轻量化为目的，分别训练了BP神经网络、LeNet-5以及SqueezeNet三种神经网络。并从模型大小、测试精度、测试误差以及参数数量等方面对三种神经网络进行了对比，综合得出SqueezeNet网络在保证测试精度的前提下，其模型大小比LeNet-5缩小了近20倍。然后以SqueezeNet网络结构为基础，搭建适合识别轴心轨迹图像的轻量化卷积神经网络结构，并通过实验调整网络的深度和宽度等参数，得出一个综合性能最好的网络结构。调整参数的过程有：在SqueezeNet网络的基础上，以减少网络层数为主线，以增加卷积通道数量提高网络的性能为辅线，多次改进网络结构并测试其性能；随后，更换激活函数以寻求更优的训练结果。
最后，为了验证算法的抗干扰能力和泛化能力，用生成对抗网络建立的测试集来验证各个训练好的网络，包括LeNet-5和BP神经网络，在测试结果中基于SqueezeNet改进的轴心轨迹识别网络在测试集中的精度最高能够达到0.951，模型最小为3.86MB，测试误差最小为0.15，总体样本测试时间最小为0.22ms，综合测试结果表明，本文基于轻量化卷积神经网络改进的轴心轨迹识别网络泛化性能好，抗干扰能力强，识别速度快，也实现了模型的轻量化，能满足轻量化网络对轴心轨迹图像识别的要求。