基于HHO-CNN的轴承故障诊断方法研究

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.