实现对轴承故障严重程度的分类.docx

目的：实现对轴承故障严重程度的分类。主要问题：轴承振动信号中通常包括了足够的故障信息，但其具有非线性与不稳定性，如何提取？，即如何提取信号中的故障特征。理论方法：连续小波变换，CNN与SVM连续小波变换：初步提取信号特征，小波基函数选用MORLET（取决于基函数与轴承故障特征的相似系数，参考论文）CNN-SVM组合，应用CNN优秀的特征提取能力与SVM优秀的分类性能CNN结构：RESNET-18结构（残差网络），结构具体如下：（实话说这个没太看懂）LayernameOutputsizeLeamablesconvl112×1127×7,64,stride2conv2_x56×563×3maxpool,stride2r3×3,64113×3,64×2conv3_x28×283×3,128.3×3,128.×2conv4x14×143×3,2563×3,256.×2conv5_x7×73×3,5123×3,512.×21×1averagepool,1000-dft,softmaxFLOPs1.8×IO9总体流程结构：原始数据-数据处理-小波变换图像-CNN获取特征-SVM分类数据样本：CWRU与MFPT公开数据集结果：CWRU：Trialnumber23456789IOAverageAccuracy(%)96.396.310010010010096.310010010098.89Trainingtime(s)17.0716.1516.1616.4316.4616.9516.2716.6816.7616.6316.56MFPT：Trialnumber12345678910AverageAccuracy(%)99.2999.2998.2198.2!98.2198.5798.5798.5799.2999.2998.75Traininglime(s)35.1035.5934.4537.6635.2634.4636.3833.8837.7337.7235.82CWRU数据集，单独CNN或SVM与本文方法对比：ModelsClassifierAccuracy(%)Averagetrainingtime(s)TheproposedmodelSVM98.75±0.4635.68StandardCNNSoftmax96.72±0.58730StandardSVMSVM87.88±1.1520.41个人思考：1 .CNN网络应用广泛，能够挖掘深层特征信息，需要学习。2 .多个方法优势互补，取长补短。问题：本文CNN网格结构最后输出为1*1即一个数，并且本文是明显的多分类问题，具体如何使用SVM进行多分类文中未细说，是否还需核函数？软边界参数如何确定？参考文献：L.Yuan,D.Lian,X.KangtY.ChenandK.Zhai,"RollingBearingFaultDiagnosisBasedonConvolutionalNeuralNetworkandSupportVectorMachine,"inIEEEAccess,vol.8,pp.137395-137406,2020,doi:10.1109ACCESS.2020.3012053.