基于深度置信网络的行星齿轮箱振动特征提取

论文摘要

针对行星齿轮箱在复杂工况下提取反映机械故障振动特征困难的问题,研究具备数据降维与特征提取能力的深度置信网络(DBN)提取机械故障振动特征。通过分析不同梯度优化算法在DBN网络中的表现,应用振动数据集对优化算法进行验证,选择最优优化算法,并分析训练迭代次数、隐含层节点数、网络层数等DBN网络参数变化对于振动数据特征提取能力的影响,提出了相关参数优化设计方法。实验分析证明,优化设计后的深度置信网络能够有效提取行星齿轮箱振动特征,有利于其故障状态分类识别。

论文目录

• 0 引言
• 1 深度置信网络的梯度优化算法分析
•   1.1 深度置信网络结构
•   1.2 参数更新梯度优化算法选择
• 2 振动数据DBN网络参数优化分析
•   2.1 迭代次数的影响
•   2.2 不同隐含层节点数的影响
•   2.3 网络最优深度的影响
•   2.4 学习率的影响
• 3 振动特征提取实验分析
•   3.1 实验台搭建以及信号采集
•   3.2 特征提取与主成分分析
• 4 结论

文章来源

类型: 期刊论文

作者: 李忠刚,何林锋

关键词: 行星齿轮箱,振动,特征提取,深度置信网络

来源: 电子测量与仪器学报 2019年09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: 北京信息科技大学机电工程学院

基金: 国家自然科学基金(51275052)资助项目

分类号: TP18;TH132.41

DOI: 10.13382/j.jemi.B1902351

页码: 199-205

总页数: 7

文件大小: 347K

下载量: 92