船用配件减速器主轴故障信号

       共于KcC丰匡架，以TI32F1单片机为模板，搭建一个小型的神经网络一多层感知器，将训练得到的模型输出参数作为主要的数据来源，使其应用丁二单少机其日的是为了可以基卷积神经网络对船用配件减速器主轴的振动信号进行信息采集。卷积神经网络理论卷积神经网络(CNN)是一种.多级的神经网络，常用来处理图像数据一个典型的Cl网络一般由3种类型的层构成卷积层池化层和全连接层:通过堆积术一样反复堆叠这些结构层便能构成一个卷积神经网络，m常.见的网络结构模式是若干个卷积层-激活函数的堆_，在结构的末端加个池化层因此常见的结构可以概括为输入一卷积层激活I=I数)C池化层(全连接层激数)厂竹输出二其巾尸表示O或者1表示重复的次数，继得出卷积层输出图像尺寸激活函数单元对一几整个CNN模沂q结构是个必不可少的组成部分，它能够提高模.刊对于非线性问题的表达能力，增强CNN的曾一棒性，有利于更好地训练模型常川的激活函数有和R等其数能够提升模利的运了速度，加快模I的收敛，被广泛应用在CNN模烈中此，选取ReLu作为激活函数二假设卷积层L使用卷积核K进行卷积操作，则整个卷积层的过程如依据池化层选取一最大池化而全连接层，则位J几整个CNN结构的末端。具卞要作用是将所学习到的特征扁尤化为个向l.ry，并将得的向.举输入到分类器(如Softmax分类器)中其表达式如卜认定义vvf制器的利用效率为当上述等式非零时，设系统的稳定因子为了7定义为分别高速和低速情况卜的特值步可以得到最终控制系统的完整模型为引人马尔可夫转换域和CNN理论，通过单少机提一种于船用配件减速器主Hll信息采集的方法，即F-I其流程冬!如冬2听示按照图2思路，信息采集方法如下:

       1)收集船用配件减速器主轴故障信号，使用公开数据集的实际故障信号和正常振动信号进行验证;

       2)借助马尔可夫理论，将振功信_时问序列转化为马尔一可夫转换域图像;

       3)基J几CNN理论搭建适合处理马尔叮夫转换域图像的1N结构模型，采集出图像特了让;

       4)获取分类结果，将采集的信息进行处理，通过S分类器得到分类结果实际应用验证采用船用配件减速器卞轴数据，常的震动幅度为0.071"1，电机转速为1979，采样频率.为2,一个样本包含102 个数据点二最终得出，各不同类划的振动信号转换后的马尔可夫转换域图像有着明差别，时一以直观地对这些图像进行分类。通过降低卷积层的数优化全连接层的参数，可以提升整个CNN结构的运行效率如图3所示，在CNN结构中有多个层和个Soax分类器按照以二思路，依据单片机的卷积层池化层的相关使用策略，将非线性引人到CNN的理论上，司一以更好地解决复杂问题因此在全连接层和连接层2中，选取的神经元集合数一曦分别是256和4。http://www.zblansheng.cn/