摘 要

故障诊断是机械设备安全运行的重要保障，在“大数据”时代的背景下，传统的诊断方法因其受制于人为经验，且诊断精度低，已经不能满足需要。本文针对该问题，以旋转机械中最重要的零件滚动轴承和齿轮为研究对象，采用卷积神经网络对其进行故障诊断，论文主要内容如下：

本文在对深度学习理论中的卷积神经网络模型的结构和实现过程做了详细分析的基础上，结合Adam算法搭建了一个二维卷积神经网络模型。采用网格搜索对卷积神经网络中的一些超参数进行了优化选取，并给模型添加了正则化，来缓解过拟合现象。通过凯斯西储大学的轴承数据和实验室环境下搜集到的齿轮数据进行实验验证，结果表明经过优化后的模型，其准确率有了明显提升，损失率也明显降低。

关键词：故障诊断；深度学习；卷积神经网络；网格搜索

Abstract

Fault diagnosis is an important guarantee of safe operation of mechanical equipment, under the background of the era of big data, the traditional diagnosis method for its future is experience, and diagnosis accuracy is low, already cannot satisfy the needs in this paper, the problem with one of the most important parts in mechanical rolling bearing as the research object, using convolution neural network for fault diagnosis, the paper main contents are as follows:

Based on convolution in deep learning theory structure of the neural network model and made a detailed analysis on the basis of the implementation process, in combination with Adam built a two-dimensional convolution algorithm neural network model used some super grid search of convolution neural network parameters are optimized, and added to the model of regularization, to relieve the over fitting phenomenon by the case western reserve university bearing gear data collected by the data and laboratory environment experiment verification, the results show that after optimization model, its accuracy has improved significantly, loss rate significantly reduced

Key Words：Fault diagnosis; Deep learning; Convolutional neural network; Grid search

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1 旋转机械零件国内外研究现状 1

1.2.2 卷积神经网络的国内外研究现状 2

1.3 论文研究内容与结构 3

第2章 二维卷积神经网络滚动轴承故障诊断方法 5

2.1 卷积神经网络的实现过程 5

2.1.1 卷积神经网络结构 5

2.1.2 卷积神经网络参数更新 8

2.2 基于Adam算法的二维CNN轴承故障诊断模型 9

2.2.1 Adam优化算法 9

2.2.2 Adam算法优点 10

2.2.3 搭建二维卷积神经网络模型 11

2.3 滚动轴承故障诊断试验研究 12

2.3.1 凯斯西储大学滚动轴承数据库 12

2.3.2 数据集的分类 12

2.3.3 故障诊断结果 13

2.4 本章小结 14

第3章 优化二维卷积神经网络模型 15

3.1 网格搜索 15

3.2 网络架构 16

3.2.1 卷积层，全连接层结构参数 16

3.2.2 批次和周期 17

3.3 正则化 18

3.3.1丢弃法 18

3.3.2 L1、L2正则化 19

3.4 实验结果分析 21

3.5 本章小结 23

第4章 齿轮故障数据模型诊断性能分析 24

4.1 实验数据 24

4.1.1 实验数据来源 24

4.1.2 数据选取及分类 25

4.2 实验结果分析 26

4.2.1 模型优化参数 26

4.2.2 实验结果分析 27

4.3 本章小结 28

第5章 总结与展望 29

5.1 总结 29

5.2 研究展望 29

参考文献 31

致谢 32

第1章 绪论

1.1 研究背景及意义

现如今，机械设备正朝着大型化、自动化、精密化和成套化的方向逐步发展，我们已然进入了“大数据”时代^[1]。机械设备的安全性、可靠性、稳定性也成为评价设备质量的重要指标。机械设备一旦发生故障，轻则造成经济损失，重则可能会造成人员伤亡。为了保障机械装备能够安全可靠的运行，应采用先进的理论和方法对其进行故障诊断，为其保驾护航。在“大数据”时代的背景下，由于机械设备众多、采样需要的周期长，所以需要诊断的数据量极其庞大。传统的诊断方法一般都对专家的依赖较高，当数据非常多时，这种方法显然已经不适用，因此，迫切需要一种新的智能算法，实现对机械设备故障的智能诊断。

滚动轴承和齿轮是旋转机械设备中最具有代表性的零部件。滚动轴承还被称为“工业的关节”^[2]。滚动轴承和齿轮被广泛使用于各种工业场景，由滚动轴承和齿轮损坏而导致机械设备不能运转的案例，约占整个机械设备失效案例的一半, 因此对滚动轴承和齿轮进行故障诊断研究显得十分重要。

在传统的诊断方法陷入瓶颈的情形下，深度学习理论的提出，让国内外相关学者看到了新的方向。卷积神经网络作为深度学习的代表之一，近年来常用于图像识别和信号处理，并且取得巨大成功。卷积神经网络可以自动提取特征，取代了传统算法复杂的特征提取过程。因此，本文将通过对卷积神经网络模型的研究，来实现对滚动轴承的故障诊断分析。

1.2 国内外研究现状