基于自动编码器和SVM的轴承故障诊断方法

• 作者: 吴小龙 林辉翼 陈超宇 雷文平
• 来源期刊: 郑州大学学报（工学版）
• 学科: 工学
• 关键词: 支持向量机 自动编码器 无监督特征提取 经验模态分解 信息熵 故障诊断
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 智能计算
• 页码范围: 68-72
• 页数: 5页
• 分类号: TH133.33
• 字数: 2934字
• 语种: 中文
• DOI: 10.13705/j.issn.1671-6833.2018.05.013

摘要

支持向量机(support vector machine,SVM)应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络(deep neural network,DNN)的应用与推广,自动编码器(auto-encoder,AE)在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器(denoising autoencoder,DAE),进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解(empirical mode decomposition,EMD)能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	雷文平	郑州大学机械工程学院振动工程研究所	50	278	9.0	14.0
2	林辉翼	郑州大学机械工程学院振动工程研究所	7	7	1.0	2.0
3	吴小龙	郑州大学机械工程学院振动工程研究所	2	5	1.0	2.0
4	陈超宇	郑州大学机械工程学院振动工程研究所	3	10	2.0	3.0