未找到相关数据
机械故障模式识别的ICA基神经网络方法
被引：2
作者：
焦卫东
杨世锡
吴昭同
机构：
[1] 浙江大学机械工程系
[2] 浙江大学机械工程系 杭州
[3] 杭州
来源：
基金：
浙江省自然科学基金;
关键词：
独立分量分析;
残余互信息;
多层感知器;
径向基函数网络;
自组织映射;
特征矩阵联合近似对角化;
D O I：
暂无
中图分类号：
TP277 [监视、报警、故障诊断系统];
TP183 [人工神经网络与计算];
学科分类号：
0804 ;
080401 ;
080402 ;
摘要：
神经网络、特别是基于无导师学习的自组织映射(SOM)网络是一种优良的模式聚类与识别方法,而独立分量分析(ICA)则是一个强有力的非高斯数据分析工具。其中,基于特征矩阵联合近似对角化的JADE算法是一种鲁棒且数值稳定的代数ICA方法,特别适合用于多变量特征抽取。本文首先利用JADE进行不同机械状态模式(包括正常和齿轮点蚀故障状态)的特征提取,随后以此训练某一典型神经网络(如多层感知器、径向基网络或自组织映射网络),以实现模式的最终分类。借助ICA及基于残余互信息(RMI)的二次特征抽取策略,隐藏于多通道振动观测中的高阶特征得以有效提取,从而实现机械状态模式的准确识别。对照分类实验结果表明,基于ICA-SOM分类方法不仅具有较好的故障模式分类能力,且实现简单,在机器健康状况监测中有较大的应用潜力。
引用
收藏
页码：63 / 67
页数：5
相关论文