噪声与振动控制

噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (4): 165-171.

• 信号处理与故障诊断 • 上一篇    下一篇

DE算法优化CNN的滚动轴承故障诊断研究

孙祺淳,李媛媛   

  1. （ 上海工程技术大学电子电气工程学院，上海201620 ）
  • 收稿日期:2021-07-18 修回日期:2021-09-16 出版日期:2022-08-18 发布日期:2022-08-18

  • Received:2021-07-18 Revised:2021-09-16 Online:2022-08-18 Published:2022-08-18

PDF

摘要： 针对卷积神经网络（Convolutional Neural Network，CNN）在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题，提出一种基于差分进化算法（Differential Evolution，DE）优化卷积神经网络的故障诊断模型（CNN-DE）。首先，该故障诊断模型利用DE算法来自适应调节CNN中的超参数，同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标，使得CNN在保证精度的同时降低网络的波动；其次，使用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）结合多参数的诊断方法，从原始信号中提取出更加有效的故障特征；最后，根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断，结果表明所提出的算法模型拥有更高的精度和更稳定的性能，也具有优异的抗噪能力，显示了CNN-DE在故障诊断应用中的可靠性。

关键词: 故障诊断, 卷积神经网络, 差分进化算法, 自适应噪声完备集合经验模态分解, 滚动轴承