EDWNN和DW-SVM在轴承故障诊断中的应用

• 作者: 张楠 杜小磊 许旭 陈志刚
• 来源期刊: 轴承
• 学科: 工学
• 关键词: 滚动轴承 故障诊断 深度小波神经网络 深度小波支持向量机
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 测量与仪器
• 页码范围: 60-67
• 页数: 8页
• 分类号: TH133.33|TP391.77
• 字数: 4642字
• 语种: 中文
• DOI: 10.19533/j.issn1000-3762.2019.11.015

摘要

针对传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取及选取困难的问题,提出一种基于集成深度小波神经网络和深度小波支持向量机的滚动轴承故障诊断方法.首先,利用不同的小波函数设计不同的改进小波自编码器,并构造相应的深度小波神经网络;然后,将轴承振动信号输入各深度小波神经网络进行无监督特征学习并进行微调;最后,将每个深度小波神经网络的顶层特征融合,输入深度小波支持向量机分类器实现对轴承故障的自动识别.试验结果表明,该方法能够对滚动轴承进行多工况及多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法以及深度信念网络、深度稀疏自编码器等深度学习模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈志刚	北京建筑大学机电与车辆工程学院	31	44	4.0	6.0
3	杜小磊	北京建筑大学机电与车辆工程学院	14	5	2.0	2.0
9	张楠	北京建筑大学机电与车辆工程学院	29	26	2.0	4.0
10	许旭	北京建筑大学机电与车辆工程学院	10	2	1.0	1.0