深度置信网络在齿轮故障诊断中的应用

被引:28
作者
陈保家 [1 ]
刘浩涛 [1 ]
徐超 [2 ]
陈法法 [1 ]
肖文荣 [1 ]
赵春华 [1 ]
机构
[1] 湖北省水电机械设备设计与维护重点实验室(三峡大学)
[2] 湖北特种设备检验检测研究院宜昌分院
关键词
齿轮传动; 特征提取; 深度置信网络; 故障诊断;
D O I
暂无
中图分类号
TH132.41 [齿轮及齿轮传动];
学科分类号
摘要
针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到60%左右;如果对时域信号进行简单的傅里叶变换后,再利用DBNs对处理后的振动信号频谱进行诊断分析,正确率能达到99.7%,从而证明了所提故障诊断方法的简易性和有效性。
引用
收藏
页码:205 / 211
页数:7
相关论文
共 10 条
  • [1] 基于深度学习的离心泵空化状态识别
    曹玉良
    明廷锋
    贺国
    苏永生
    [J]. 西安交通大学学报, 2017, 51 (11) : 165 - 172
  • [2] 大数据下机械智能故障诊断的机遇与挑战
    雷亚国
    贾峰
    孔德同
    林京
    邢赛博
    [J]. 机械工程学报, 2018, 54 (05) : 94 - 104
  • [3] 采用深度学习的异步电机故障诊断方法
    王丽华
    谢阳阳
    张永宏
    赵晓平
    周子贤
    [J]. 西安交通大学学报, 2017, 51 (10) : 128 - 134
  • [4] 基于深度置信网络的电力系统暂态稳定评估方法
    朱乔木
    党杰
    陈金富
    徐友平
    李银红
    段献忠
    [J]. 中国电机工程学报, 2018, 38 (03) : 735 - 743
  • [5] 基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断
    时培明
    梁凯
    赵娜
    安淑君
    [J]. 中国机械工程, 2017, 28 (09) : 1056 - 1061+1068
  • [6] 基于DBN的故障特征提取及诊断方法研究
    赵光权
    葛强强
    刘小勇
    彭喜元
    [J]. 仪器仪表学报, 2016, 37 (09) : 1946 - 1953
  • [7] 基于深度学习理论的机械装备大数据健康监测方法
    雷亚国
    贾峰
    周昕
    林京
    [J]. 机械工程学报, 2015, 51 (21) : 49 - 56
  • [8] 基于PCA-PDBNs的故障检测与自学习辨识
    王培良
    夏春江
    [J]. 仪器仪表学报, 2015, 36 (05) : 1147 - 1154
  • [9] 深度学习的昨天、今天和明天
    余凯
    贾磊
    陈雨强
    徐伟
    [J]. 计算机研究与发展, 2013, 50 (09) : 1799 - 1804
  • [10] Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization[J] . Feng Jia,Yaguo Lei,Na Lu,Saibo Xing.Mechanical Systems and Signal Processing . 2018