基于多尺度卷积神经网络的故障诊断方法研究.doc

"基于多尺度卷积神经网络的故障诊断方法研究" 本文研究了基于多尺度卷积神经网络的故障诊断方法，旨在解决电机在运行过程中出现故障的问题。电机是现代工业生产设备的主要动力输出设备，但是在运行过程中可能会出现故障，导致其运行效率降低，系统能耗上升等问题。因此，研究电机智能故障诊断技术对保障生产设备高效运行的稳定性、可靠性具有重要意义。 本研究分为四个部分： 一、故障诊断方法的研究 我们使用试验台采集的振动信号对电机不同故障的产生机理进行分析，并探究其处于故障状态时的振动频率特性。然后，我们研究基于信号处理和机器学习算法的故障诊断方法，并分析经験模态分解（Empirical Mode Decomposition, EMD）存在的优势和不足。我们还提出了基于调整互信息和标准差的敏感特征选择方法，从原始特征集筛选特征构建敏感特征集用于电机故障诊断。 二、基于卷积神经网络的故障诊断方法 在传统智能故障诊断方法中存在的流程复杂、人为干预过多的问题，我们研究了基于卷积神经网络的故障诊断方法，针对一维时序信号的特点，分析了一维卷积神经网络（One-Dimensional Convolutional Neural Network, 1D-CNN）在以原始一维振动信号为基础进行故障诊断的优势。我们还提出了利用不同尺度核的卷积层提出一种多尺度融合框架，构建了基于多尺度一维卷积神经网络的电机故障诊断方法。 三、多尺度特征融合框架 为了提升MS-1DCNN在电机变工况和强噪声干扰环境下故障诊断方法的识别效率和准确率，我们在残差网络结构的基础上构建了多尺度特征融合框架。我们分别研究了挤压与激励（Squeeze and Excitation, SE）模块和卷积注意力模块（Convolutional Block Attention Module, CBAM）两种注意力机制算法的实现原理，并设计了适用于一维残差网络的注意力模块，将其嵌入到残差模块中，构建出多尺度注意力残差网络（Multi-scale attention residual network, MSA-ResNet）模型。 四、实验验证 我们通过实验验证了所提方法在变工况和噪声干扰情况下的优越性。实验结果表明，基于多尺度卷积神经网络的故障诊断方法可以有效地检测电机故障，并且在变工况和强噪声干扰环境下保持高识别效率和准确率。 本文提出了一种基于多尺度卷积神经网络的故障诊断方法，旨在解决电机在运行过程中出现故障的问题。该方法可以有效地检测电机故障，并且在变工况和强噪声干扰环境下保持高识别效率和准确率。