多深度学习模型决策融合的滚动轴承故障诊断

论文摘要

针对滚动轴承故障诊断中单一传感器信息的不全面性、单一网络模型的不确定性,提出了基于多深度学习模型决策融合的滚动轴承故障诊断方法。首先,利用深度卷积网络（CNN）和层叠降噪自动编码器（SDAE）分别对两个振动传感器信号进行自适应特征提取,经softmax初步分类。接着将两个网络的输出结果利用D-S证据理论进行融合,得到最终诊断结果。实验结果表明,利用该方法对滚动轴承进行故障诊断正确率达到95.63%,相比CNN正确率提高了5.49%,相比SDAE正确率提高了10.42%,验证了该方法的有效性。

论文目录

• 0 引言
• 1 深度卷积网络
• 2 层叠降噪自动编码器
• 3 实验验证
•   3.1 特征提取
•   3.2 D-S证据理论融合
• 4 结束语

文章来源

类型: 期刊论文

作者: 张立智,谭继文,徐卫晓,井陆阳

关键词: 滚动轴承,深度学习,深度卷积网络,降噪自动编码器,故障诊断

来源: 组合机床与自动化加工技术 2019年08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: 青岛理工大学机械与汽车工程学院

基金: 国家自然科学基金项目(51475249),山东省重点研发计划项目(2018GGX103016),山东省高等学校科技计划项目(J15LB10)

分类号: TP18;TH133.33

DOI: 10.13462/j.cnki.mmtamt.2019.08.016

页码: 59-62

总页数: 4

文件大小: 673K

下载量: 450