-
题名滚动轴承细粒度故障诊断研究
被引量：2
- 1
-
-
作者
阮慧
黄细霞
李登峰
王乐
-
机构
上海海事大学物流科学与工程研究院
上海海事大学航运技术与控制工程交通行业重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第6期312-322,共11页
-
基金
国家自然科学基金(52001197)。
-
文摘
针对目前滚动轴承故障诊断主要采用监督式深度学习提取故障特征以及检测故障种类为粗粒度的现状,提出一种基于高斯混合模型(Gaussian mixed models,GMM)和深度残差收缩网络(deep residual shrinkage networks,DRSN)的滚动轴承细粒度故障诊断方法。GMM模型集成多个高斯分布函数,拟合细粒度故障数据的分布情况,实现对没有标签的轴承振动信号进行聚类,DRSN模型中注意力机制从大量故障特征信息中聚焦于对当前任务更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学(Case Western Reserve University,CWRU)滚动轴承故障数据中收集30种轴承健康状态对该方法进行了验证,结果表明,将非监督模型与深度学习模型融合,能够处理不含标签情况下的轴承故障数据,实现对轴承故障进行细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。
-
关键词
细粒度故障诊断
滚动轴承
高斯混合模型
深度残差收缩网络
非监督学习
深度学习
-
Keywords
fine-grained fault diagnosis
rolling bearing
Gaussian mixture model
deep residual shrinkage network
unsu-pervised learning
deep learning
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
