SADBN及其在滚动轴承故障分类识别中的应用

论文摘要

传统的智能诊断方法一般都是基于"特征提取+分类器"模型,其核心在于特征值的提取以及分类器的设计。针对不同的诊断对象,通常需要根据先验知识提取不同的故障特征值,这必将给最终的诊断结果带来诊断误差;与此同时,传统的分类器一般使用浅层模型,这使得其难以表征信号与装备运行状况之间复杂的映射关系。作为深度学习算法典型代表之一的深度信念网络（Deep Belief Network,DBN）,可以直接从原始信号中提取特征并具有深度学习能力,因而已受到越来越多研究者的关注。但是DBN依然存在网络结构需要人为设定的缺陷,这也限制了DBN在工程实际中的应用。为解决DBN网络结构难以确定及如何提升其在工程实际应用中的诊断效率问题,提出了一种新的深度信念网络,即结构自适应深度信念网络（Structure Adaptive Deep Belief Network,SADBN）。与DBN相比,SADBN可以自适应地确定网络结构,有效提高诊断效率。对滚动轴承故障振动信号的分析结果表明了改进网络的有效性。

论文目录

• 1 结构自适应深度信念网络 （SADBN）
•   1.1 结构自适应深度信念网络法
•   1.2 结构自适应深度信念网络设计步骤
• 2 基于SADBN的滚动轴承故障诊断方法
• 3 结 论

文章来源

类型: 期刊论文

作者: 杨宇,罗鹏,甘磊,程军圣

关键词: 深度学习,网络结构,滚动轴承故障诊断

来源: 振动与冲击 2019年15期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 湖南大学汽车车身先进设计制造国家重点实验室

基金: 国家自然科学基金(51575168,51375152),国家重点研发计划项目(2016YFF0203400),智能型新能源汽车国家2011协同创新中心,湖南省绿色汽车2011协同创新中心资助

分类号: TP18;TH133.33

DOI: 10.13465/j.cnki.jvs.2019.15.002

页码: 11-16+26

总页数: 7

文件大小: 353K

下载量: 350