科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度网络的轴承故障诊断模型，其深层次的特征提取往往需要大量的训练样本，诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(CapsNet)在处理小样本数据上的优势，通过扩展故障特征向量和改进预测胶囊迭代约束条件，使网络适用于噪声工况下的轴承故障诊断，提高预测精度。在CapsNet的初级胶囊层引入特征图跨通道约束关系，由原来的通道内约束改进为通道内-通道间混合约束，扩展胶囊特征向量，使其能描述故障信号时间序列中与远距离序列点相关的几何特性，为数字胶囊层预测网络提供更完备的故障特征。同时，利用余弦相似度作为特征向量的度量并为数字胶囊层的迭代筛选提供依据，避免向量模值造成的分类误差。凯斯西储大学(CWRU)轴承数据集实验结果表明，改进的iCapsNet诊断模型泛化性能得到明显提升，在信噪比为0 dB时，预测精度可达到90.9%,相比原CapsNet模型提高了44.8%。
- 出版日期2023
- 单位河南理工大学; 自动化学院
