机械故障模式识别的ICA基神经网络方法

• 作者: 吴昭同 杨世锡 焦卫东
• 来源期刊: 计算技术与自动化
• 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
• 年，卷（期）: 2003,（2）
• 所属期刊栏目: 故障诊断
• 页码范围: 63-67
• 页数: 5页
• 分类号: TN912.3
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6199.2003.02.019

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴昭同	浙江大学机械工程系	177	4029	36.0	52.0
2	杨世锡	浙江大学机械工程系	155	2860	30.0	48.0
3	焦卫东	浙江大学机械工程系	26	469	12.0	21.0