-
题名基于深度置信网络和对称点模式电机轴承故障诊断研究
被引量：8
- 1
-
-
作者
张苏颖
竺兴妹
许曙青
-
机构
江苏联合职业技术学院南京工程分院
中国矿业大学经济与管理学院
-
出处
《噪声与振动控制》
CSCD
北大核心
2022年第3期98-104,143,共8页
-
基金
江苏省自然科学基金资助项目(BK20170981)。
-
文摘
电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98%以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。
-
关键词
故障诊断:电机轴承
对称点模式
深度置信网络
-
Keywords
fault diagnosis
motor bearing
symmetrical dot pattern
deep belief network
-
分类号
TM3
[电气工程—电机]
-
-
题名电机滚动轴承故障的会议制随机森林诊断方法
被引量：4
- 2
-
-
作者
张利宏
罗振鹏
-
机构
内蒙古工业大学电力学院
-
出处
《重庆理工大学学报（自然科学）》
北大核心
2021年第9期109-115,共7页
-
基金
内蒙古自治区高等学校科学技术研究项目(NJZY19077)。
-
文摘
为了提高电机轴承故障的识别准确率,提出了基于自适应多尺度散布熵与会议制随机森林算法的轴承故障诊断方法。分析了电机轴承不同故障信号的特征频率,将局部特征尺度分解和散布熵进行结合,提取了故障信号的自适应多尺度散布熵作为特征向量。在故障模式诊断方面,以随机森林算法为基础融入了决策树的参会权重策略,使专家型决策树具有更大的决策权,从而提高了随机森林算法的故障诊断准确率,将此算法命名为会议制随机森林算法。以美国凯斯西储大学的轴承数据为对象进行实验,在不同故障模式的诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.68个百分点;在不同故障程度的内圈故障诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.28个百分点,比马尔可夫诊断方法高出了7.86个百分点,以上数据验证了故障诊断方法的有效性。
-
关键词
电机轴承故障诊断
自适应多尺度散布熵
会议制随机森林
参会权重
专家型决策树
-
Keywords
motor bearing fault diagnosis
adaptive multi-scale dispersion entropy
conference random forest
conference right
expert decision tree
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
