摘 要

卷积神经网络作为深度学习的一种代表算法，被成功应用到计算机视觉和自然语言处理和振动信号故障诊断等领域。对于振动信号的故障诊断，不同的网络结构参数对于卷积神经网络的准确率的影响不同，初始选择网络结构参数时，需要进行盲目的探索。因此进行“基于CNN不同网络结构参数对故障诊断信号识别的影响研究”，探讨其影响规律具有一定的理论意义和实际工程应用价值。

本文借助数学软件MATLAB对不同故障状态的振动信号序列进行预处理和图片转换，并实现了卷积神经网络的构建和训练。通过在已有的网络模型中改变网络结构参数来测试其对故障诊断的准确率，在数据中加入不同方差的噪声完成抗噪能力的测试。同时借助有限元仿真软件ANSYS进行瞬态分析得到一组加速度数据，对选择好的网络做适应性测试。研究结果表明，仿照VGGNet的模型不仅准确率高而且抗噪性相对也较强。LeNet-5对于不同的数据适应性较强但准确率较低。

关键词：卷积神经网络；振动信号；结构参数；准确率；抗噪能力

Abstract

As a representative algorithm of deep learning, convolutional neural network has been successfully applied to computer vision and natural language processing and vibration signal fault diagnosis and other fields. For vibration signal fault diagnosis, different network structure parameters have different effects on the accuracy of convolutional neural networks. When initially selecting network structure parameters, blind exploration is required. Therefore, to conduct a "research on the influence of different network structure parameters of CNN on fault diagnosis signal recognition", and to explore its influence law has certain theoretical significance and practical engineering application value.

In this paper, the mathematical software MATLAB is used to preprocess and convert the vibration signal sequences of different fault states, and the construction and training of the convolutional neural network are realized. The accuracy of fault diagnosis is tested by changing the network structure parameters in the existing network model, and adding noise with different variances to the data to complete the test of anti-noise ability. At the same time, the finite element simulation software ANSYS is used for transient analysis to obtain a set of acceleration data, and the adaptability test is performed on the selected network. The results show that the model modeled after VGGNet not only has high accuracy but also has relatively strong noise resistance. LeNet-5 is more adaptable to different data but has lower accuracy.

Key words：Convolutional neural network; Vibration signal; Structural parameters; Accuracy rate; Anti-noise ability

目 录

第1章 绪论 1

1.1 课题研究背景及意义 1

1.2 研究现状 2

1.3 课题主要研究内容 4

1.4 本章小结 4

第2章 卷积神经网络基本理论 5

2.1 整体分析 5

2.2 各部分介绍 5

2.3 本章小结 7

第3章 数据 8

3.1 数据获取 8

3.2 仿真数据 9

3.3 数据预处理 13

3.4 本章小结 14

第4章 卷积神经网络的构建与训练 15

4.1 第一组数据 15

4.1.1 仿照LeNet-5的网络模型 15

4.1.2 仿照VGG16的网络模型 20

4.1.3 测试抗噪能力 22

4.2 第二组数据 22

4.3 本章小结 23

第5章 结论 24

参考文献 25

致 谢 27

绪论

1.1 课题研究背景及意义

一方面，计算机技术的发展，再加上设备电气化的助力，使得智能化设备的理想蓝图不断清晰起来。另一方面，为推动制造业向高、精、尖发展，中国提出中国制造2025，手段是信息化和工业化的融合。故障诊断领域同样需要结合信息技术，向智能化发展。了解设备工作状态、判断设备劳损情况、预测设备剩余寿命是故障诊断的目标。设备的大型化、复杂化、精密化，工作环境的恶劣多变，提高了对监测和诊断的要求。具体来说，大多数旋转机械工作在高速旋转环境中，又是关键设备。其中的滚动轴承被称为“工业的关节”，不仅工况差，而且关系着设备性能与可靠性。除此之外，还有电机、齿轮箱、丝杠等。信号测取、特征分析、故障诊断，整个过程采用的方法都需要做进一步的探讨。不过利用声学原理等间接判断的方法早就有了，对信号进行分析处理的手段也日益丰富。在2006年Hinton发表两篇有关神经网络的论文后，深度学习便得到关注并进入发展期。近年来人工智能成果丰硕，并且在大数据时代的背景下，数据挖掘等数据分析技术应用广泛。计算机GPU等芯片的计算能力的大幅提升为技术实施提供了可靠的硬件设施。

通过振动信号判断出故障的有无及分出类别是大家研究的热点。因为相比于对机械进行实地实体监测，通过传感器的电信号及时传递出部件的状态可行得多。不过在抛弃了复杂的装卸工序后，还需要保证方法的准确率、适应性。在计算机的快速发展下，相对于传统的模型驱动的方法，数据驱动的方法蓬勃发展，开始时出现了人工神经网络、随机森林、支持向量机等机器学习模型。但早期的方法浅层学习模型人工神经网络需要通过信号处理的方式人工提取特征，需要专家的知识和经验。同时人工神经网络存在过拟合和训练时间长的问题。深度学习因具有自动学习提取数据特征的优点而被广泛应用到各类故障诊断中。深度学习有长短时记忆网络、卷积神经网络等等。卷积神经网络作为深度学习的一种代表算法，被成功应用到计算机视觉和自然语言处理等领域。卷积神经网络如同黑箱一般简单搭建后就可达到分类的目的及强大的特征提取能力的特点，使其一经关注便发展迅速。