DBN与PSO-SVM的滚动轴承故障诊断

• 作者: 孟宗 朱昇 潘林 熊景鸣
• 来源期刊: 机械科学与技术
• 学科: 工学
• 关键词: 特征提取 深度信念网络 支持向量机 故障诊断
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 精密制造与加工
• 页码范围: 1726-1731
• 页数: 6页
• 分类号: TH133.33
• 字数: 3447字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.20190040

摘要

针对如何提高轴承故障诊断的准确率和算法训练的效率问题,提出了一种深度信念网络(DBN)与粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法.首先,求出信号的时频特征统计量,其次,利用DBN对时频特征统计量进行特征提取,最后,利用PSO-SVM进行分类.实验结果表明:相比于直接用PSO-SVM进行分类,该方法不仅准确率更高,而且算法训练的时间大大缩短了,提高了滚动轴承故障诊断的准确率和效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孟宗	燕山大学电气工程学院	71	591	13.0	21.0
2	朱昇	铜仁职业技术学院工学院	6	4	2.0	2.0
3	熊景鸣	铜仁职业技术学院工学院	9	7	2.0	2.0
4	潘林	铜仁职业技术学院工学院	1	2	1.0	1.0