基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

被引：28

作者：

李艳峰

王新晴

张梅军

朱会杰

机构：

[1] 解放军理工大学野战工程学院

来源：

上海交通大学学报 | 2015年 / 05期

关键词：

滚动轴承; 故障诊断; 奇异值分解; 深度信度网络; 多分类器;

D O I：

10.16183/j.cnki.jsjtu.2015.05.018

中图分类号：

TH133.33 [滚动轴承]; TH165.3 [];

学科分类号：

摘要：

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.

引用

页码：681 / 686+694 +694

页数：7

共 12 条

[1] 基于Deep Learning的代词指代消解 [J].

奚雪峰 ;

周国栋 .

北京大学学报(自然科学版), 2014, 50 (01) :100-110

[2] 玻尔兹曼机研究进展 [J].

刘建伟 ;

刘媛 ;

罗雄麟 .

计算机研究与发展, 2014, 51 (01) :1-16

[3] 深度学习研究综述 [J].

孙志军 ;

薛磊 ;

许阳明 ;

王正 .

计算机应用研究, 2012, 29 (08) :2806-2810

[4] 奇异值差分谱理论及其在车床主轴箱故障诊断中的应用 [J].

赵学智 ;

叶邦彦 ;

陈统坚 .

机械工程学报, 2010, 46 (01) :100-108

[5] 基于奇异值分解的信号特征提取方法研究 [J].

段向阳 ;

王永生 ;

苏永生 .

振动与冲击, 2009, 28 (11) :30-33+201

[6] 基于奇异值分解和支持向量机的滚动轴承故障模式识别 [J].

陆爽 .

农业工程学报, 2007, (04) :115-119

[7] 基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用 [J].

杨宇 ;

于德介 ;

程军圣 .

振动与冲击, 2005, (02) :12-15+145

[8]

Data-driven soft sensor development based on deep learning technique[J] . Chao Shang,Fan Yang,Dexian Huang,Wenxiang Lyu.Journal of Process Control . 2014

[9]

Failure diagnosis using deep belief learning based health state classification[J] . Prasanna Tamilselvan,Pingfeng Wang.Reliability Engineering and System Safety . 2013

[10]

An Approach to Fault Diagnosis of Reciprocating Compressor Valves using Teager-Kaiser Energy Operator and Deep Belief Networks[J] . Van Tung Tran,Faisal AlThobiani,Andrew Ball.Expert Systems With Applications . 2013

← 1 2 →