APP下载

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

2017-05-17时培明安淑君

中国机械工程 2017年9期
关键词:故障诊断深度特征

时培明 梁 凯 赵 娜 安淑君

燕山大学电气工程学院,秦皇岛,066004

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

时培明 梁 凯 赵 娜 安淑君

燕山大学电气工程学院,秦皇岛,066004

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。

齿轮故障;深度学习;特征提取;支持向量机;智能诊断

0 引言

目前在机械故障诊断中,常用的信号处理技术有时域统计分析、频域统计分析、傅里叶变换分析、功率谱分析、倒频谱分析和包络谱分析等;而对于非线性非平稳信号,常用的信号处理技术有短时傅里叶变换、小波变换、小波包变换和经验模式分解等[1-2]。

HINTON等[3]提出了深度学习理论,开启了深度学习在学术界和工业界的浪潮。深度学习可以通过组合低层特征形成更加抽象的高层特征表示,从而发现数据的分布式特征表达。……

登录APP查看全文

猜你喜欢

故障诊断深度特征
如何表达“特征”
不忠诚的四个特征
深度观察
深度观察
深度观察
基于LCD和排列熵的滚动轴承故障诊断
基于WPD-HHT的滚动轴承故障诊断
线性代数的应用特征
高速泵的故障诊断