基于HHO-CNN的轴承故障诊断方法研究

作     者：刘玉鑫 武文博 张雄 万书亭 LIU Yuxin;WU Wenbo;ZHANG Xiong;WAN Shuting

作者机构：国家电投内蒙古能源有限公司通辽霍林河坑口发电有限责任公司内蒙古通辽028000 华北电力大学机械工程系河北保定071003 

出 版 物：《河北大学学报（自然科学版）》 (Journal of Hebei University(Natural Science Edition))

年 卷 期：2023年第43卷第6期

页      面：571-583页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(52105098) 河北省自然科学基金资助项目(E2021502038) 

主　　题：HHO CNN 轴承 故障诊断 

摘      要：轴承是传动系统重要的支撑部件,也是整个系统的薄弱环节,卷积神经网络(convolutional neural network,CNN)强大的特征提取和学习能力为轴承运行状态模式识别提供了可能性.针对CNN处理多分类模式识别过程中,由超参数问题引起的准确率低、收敛速度慢等问题,提出了一种基于哈里斯鹰优化(Harris hawks optimization,HHO)算法优化的CNN分类模型.首先,对不同故障类型和故障程度轴承故障数据集进行划分,初始化CNN模型参数;然后,使用HHO算法对CNN模型的超参数空间进行优化,计算适应度值并获取全连接层的单元数量和迭代次数;最后,利用优化后的CNN模型对轴承数据集进行模式识别.通过不同故障类型和故障程度轴承实验数据验证,表明HHO-CNN模型可以使得全连接层的单元数量和迭代次数迅速收敛,及时准确调整CNN的网络参数,提升分类器的性能,提高了故障模式识别准确性,增强了模型的稳定性.