机床与液压

作者：郭明军，林彰雄，李鑫，潘佳佳

单位：广西科技大学机械与汽车工程学院；广西科技大学机械与汽车工程学院；广西科技大学机械与汽车工程学院；广西科技大学机械与汽车工程学院

关键词：滚动轴承;故障诊断;卷积神经网络;智能优化;冠豪猪优化器

基金：广西自然科学基金项目(2025GXNSFHA069192)；广西高校中青年教师科研基础能力提升项目(2025KY0346)；广西科技大学博士基金项目(校科博21z59)；广西研究生教育创新计划项目(YCSW2025574)；国家自然科学基金项目(52375538)

采用卷积神经网络对滚动轴承故障进行诊断时，难以找到最佳超参数组合且易陷入局部最优。针对此问题，提出一种融合冠豪猪优化器（CPO）与一维卷积神经网络（1DCNN）的自适应诊断模型。该模型包括数据处理模块、特征学习模块和故障诊断模块。将原始振动数据进行归一化及滑窗处理，获得1 200个样本构成的数据集（样本长度为1 024、每类样本200个）；将所有样本的顺序打乱并按照7∶3的比例随机划分训练集和测试集。搭建1DCNN模型，以训练集为输入，执行CPO循环优化过程，获得最优超参数组合。利用最优超参数更新1DCNN模型，获得CPO-1DCNN模型，采用训练集数据重新训练该模型。最后，利用训练好的CPO-1DCNN模型对测试集进行诊断测试并输出诊断结果。结果表明：经CPO优化的1DCNN模型诊断准确率达到了100%，相比1DCNN、RF、SVM、及BP等模型，诊断效果大幅提升且性能更稳定，成功识别了滚动轴承的6种故障类型。此外，全连接层的可视化结果也表明，所提模型能够将各类故障特征完全分开，并且在不同故障特征的区分度及同类故障特征的聚合度方面均比优化前更好。

来源：2025年第20期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第20期