基于小波包-AR谱和深度学习的轴承故障诊断研究

• 作者: 刘亚 田新诚 贺思艳
• 来源期刊: 计算机应用研究
• 关键词: 小波包分解 特征提取 深度信念网络 故障诊断
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 系统应用开发
• 页码范围: 1758-1761,1766
• 页数: 5页
• 分类号: TP206.3
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.04.0261

摘要

针对轴承故障信号的非平稳性和非线性的特点,采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号特征值;为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练.首先,对轴承振动信号进行小波包分解和自回归谱估计,计算不同频段的能量实现轴承故障特征提取;其次,将提取到的特征值作为深度信念网络的输入向量,进行模型训练;最后,用训练好的模型进行故障诊断.为验证所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集,将提出的算法与三种故障诊断方法进行对比实验.实验结果表明,所提方法具有更好的诊断性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	田新诚	山东大学控制科学与工程学院	37	259	9.0	13.0
2	贺思艳	山东电子职业技术学院智能制造工程系	9	19	2.0	4.0
3	刘亚	山东大学控制科学与工程学院	4	20	3.0	4.0