基于小波包-AR谱和深度学习的轴承故障诊断研究

论文摘要

针对轴承故障信号的非平稳性和非线性的特点,采用小波包分解和自回归（auto-regressive,AR）谱估计相结合的方法提取振动信号特征值;为了提高诊断结果的精度,提出用深度信念网络（deep believe network,DBN）进行诊断模型训练。首先,对轴承振动信号进行小波包分解和自回归谱估计,计算不同频段的能量实现轴承故障特征提取;其次,将提取到的特征值作为深度信念网络的输入向量,进行模型训练;最后,用训练好的模型进行故障诊断。为验证所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集,将提出的算法与三种故障诊断方法进行对比实验。实验结果表明,所提方法具有更好的诊断性能。

论文目录

• 0 引言
• 1 基本理论
•   1.1 基于小波包分解和AR谱估计的特征提取
•   1.2 深度信念网络
• 2 实验验证
•   2.1 实验数据描述
•   2.2 振动信号特征提取
•   2.3 基于DBN的故障诊断模型训练
•   2.4 实验结果分析
• 3 实验对比分析
•   3.1 和其他算法对比
•   3.2 变负载对算法精度的影响
•   3.3 不同样本规模对算法精度和效率的影响
• 4 结束语

文章来源

类型: 期刊论文

作者: 贺思艳,刘亚,田新诚

关键词: 小波包分解,特征提取,深度信念网络,故障诊断

来源: 计算机应用研究 2019年06期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 机械工业,自动化技术

单位: 山东电子职业技术学院智能制造工程系,山东大学控制科学与工程学院

基金: 山东省重点研发计划资助项目(2016ZDJS02B03),山东省重大科技创新工程项目(2017CXGC0601)

分类号: TH133.3;TP181

DOI: 10.19734/j.issn.1001-3695.2018.04.0261

页码: 1758-1761+1766

总页数: 5

文件大小: 1532K

下载量: 710