基于深度字典学习的滚动轴承故障识别

• 作者: 余阿东
• 来源期刊: 机电工程
• 学科: 工学
• 关键词: 滚动轴承 故障识别 深度字典学习 稀疏表示
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 机械零件及传动装置|Mechanical Parts and Transmission
• 页码范围: 231-237
• 页数: 7页
• 分类号: TH133.33
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2022.02.013

摘要

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,将故障样本输入深度故障字典,根据样本的重建误差确定了故障类别;最后,以滚动轴承试验台为对象测试了DDL模型的有效性.研究结果表明:采用该方法得到的滚动轴承故障识别准确率达到99.28％,训练时间仅为765 s;相比于卷积神经网络、循环神经网络等深度学习方法,该方法在故障识别准确率方面和训练速度方面具有较大优势;DDL方法利用驱动字典,可以自动提取出轴承振动信号样本中的故障特征,同时,深度字典结构使所提取的故障特征具有较好的层次性,符合人们对故障的直观认识.