基于独立分量分析特征提取的复合神经网络故障诊断法

被引：7

作者：

杨世锡

焦卫东

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：

振动工程学报 | 2004年 / 04期

基金：

国家自然科学基金重点项目;

关键词：

故障诊断; 神经网络; 独立分量分析;

D O I：

10.16385/j.cnki.issn.1004-4523.2004.04.013

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

首先利用基于固定点迭代的快速算法(FASTICA)提取不同机械状态模式(包括正常、齿轮故障及机座松动)特征,随后以此训练某一典型神经网络(如径向基网络或自组织映射网络),以实现模式的最终分类。借助独立分量分析(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,进而实现机械状态模式的准确识别。对照分类实验结果表明,基于无导师学习的自组织映射(ICA-SOM)分类方法不仅具有较好的故障模式分类能力,且实现简单直观,在机器健康状况监测中有较大的应用潜力。

引用

页码：66 / 70

页数：5