SST和深度脊波网络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: 河南理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 滚动轴承 故障诊断 同步压缩小波变换 深度脊波网络
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 机械·动力
• 页码范围: 75-82
• 页数: 8页
• 分类号: TH17|TH133.3
• 字数: 2705字
• 语种: 中文

摘要

传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取与选取困难.为此,提出一种基于同步压缩小波变换(synchrosqueezed wavelet transform,SST)和深度脊波网络(deep ridgelet network,DRN)的滚动轴承故障诊断方法.首先,对轴承振动信号进行SST变换,得到信号时频图像;其次,将时频图像进行双向二维主成分分析压缩,然后将其作为DRN的输入,进行自动特征提取和故障识别.试验结果表明,该方法能够对滚动轴承进行多工况和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