深度支持向量机在齿轮故障诊断中的应用

• 作者: 于磊 宿磊 张瑞 李可 陈森
• 来源期刊: 机械传动
• 关键词: 故障诊断 变分模态分解 峭度 深度支持向量机 齿轮箱
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 开发应用
• 页码范围: 150-156
• 页数: 7页
• 语种: 中文
• DOI: 10.16578/j.issn.1004.2539.2019.08.028

摘要

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法.首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用“特征提取公式”生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果.最后,通过齿轮箱故障诊断实验验证了该方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李可	江南大学机械工程学院	24	78	6.0	8.0
2	于磊	江南大学机械工程学院	3	0	0.0	0.0
3	宿磊	江南大学机械工程学院	18	31	3.0	5.0
4	陈森	东华大学机械工程学院	2	0	0.0	0.0
5	张瑞	江南大学机械工程学院	4	12	2.0	3.0