10.16450/j.cnki.issn.1004-6801.2022.02.011
基于深度信念网络的滚动轴承特征迁移诊断
滚动轴承的故障智能诊断研究多是针对同源数据进行,而不同型号、不同工况下的滚动轴承,由于时、频特征差异,加之背景噪声的影响,导致识别准确率偏低.为了解决这一问题,笔者以6307和6205两类深沟球轴承为研究对象,建立了以深度信念网络(deep belief network,简称DBN)为核心的迁移诊断模型,构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数.为了抑制信号传递路径(共振频带差异)和背景噪声的影响,引入最大相关峭度反卷积(maximum correlated kurtosis deconvolution,简称MCKD)方法,并对其关键参数实施了自适应选取.结果表明,由MCKD与DBN联合组成的迁移诊断模型,在3类不同数据源之间的诊断准确率均超过了95%,为滚动轴承的迁移特征诊断提供了一条可行的途径.
滚动轴承、深度信念网络、自适应最大相关峭度反卷积、迁移特征、智能诊断
42
TP165+.3;TH133.33(自动化基础理论)
国家自然科学基金51675009
2022-05-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
277-284