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

• 作者: 安淑君 时培明 梁凯 赵娜
• 来源期刊: 中国机械工程
• 关键词: 齿轮故障 深度学习 特征提取 支持向量机 智能诊断
• 年，卷（期）: 2017,（9）
• 所属期刊栏目: 信息技术
• 页码范围: 1056-1061,1068
• 页数: 7页
• 分类号: TH132.41
• 语种: 中文
• DOI: 10.3969/j.issn.1004-132X.2017.09.009

摘要

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型.该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断.该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果.应用结果也验证了基于深度学习自适应提取频谱特征的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	时培明	燕山大学电气工程学院	71	537	12.0	20.0
2	赵娜	燕山大学电气工程学院	15	156	6.0	12.0
3	梁凯	燕山大学电气工程学院	3	69	2.0	3.0
4	安淑君	燕山大学电气工程学院	2	69	2.0	2.0