奇异值分解与深度学习在轴承故障诊断中的应用

• 作者: 刘磊 华智力 吴青娥 李康宇 陈虎
• 来源期刊: 动力系统与控制
• 学科: 工学
• 关键词: 滚动轴承 奇异值分解 深度信念网络 故障诊断
• 年，卷（期）: 2018,（1）
• 页码范围: 1-10
• 页数: 10页
• 分类号: TP39

摘要

滚动轴承作为机械设施不可或缺的零部件,为了避免不堪设想的后果我们应该及时发现故障。为了解决这一问题,本文提出由奇异值分解(SVD)对波形进行特征提取,并将其提取的特征作为深度信念网络(DBN)的输入并进行故障诊断。该方法先对原始输入波形信号进行采样、重构和奇异值分解,然后将分解后的值视为特征,将其输入模型进行诊断。实验结果表明:经过多次实验后,与支持向量机(SVM)方法比较,本文提出方法的诊断故障准确率均值为98.4%,方差为0.42,诊断速度为0.3秒,而现有SVM诊断方法的诊断准确率均值为94.7%,方差为0.50,诊断速度为0.6秒。说明本文方法有很好的精确性、稳定性和快速性,与传统方法比较该方法优势在于精确性有了进一步提高。