-
题名基于多域信息融合的深度学习轴承故障诊断方法
- 1
-
-
作者
葛卓
夏华猛
王凯亮
徐增丙
丁改革
-
机构
中国船舶及海洋工程设计研究院
喷水推进技术重点实验室
武汉科技大学机械自动化学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2024年第23期47-55,共9页
-
文摘
针对单一振动信号包含故障信息易被隐藏以及单一深度学习模型诊断能力不强导致轴承故障诊断精度低的问题,提出了一种基于多域信息融合的深度学习故障诊断方法。利用变分模态分解方法(variational mode decomposition,VMD)将原始振动信号分解为多个本征模态函数(intrinsic mode function,IMF)分量,同时对每个IMF分量进行快速傅里叶变换(fast Fourier transformation,FFT)转化为频域样本;然后将多个IMF分量和其对应频域样本分别输入至多个深度度量学习(deep metric learning,DML)模型和深度置信网络(deep belief network,DBN)模型分别进行初步诊断分析,并利用简单软投票法对这些初步诊断结果进行融合从而获取最终诊断结果。最后通过对不同轴承故障的诊断试验分析,结果表明,该研究提出的方法不仅具有较好的诊断效果,而且诊断性能分别优于基于时域和基于频域的信息融合诊断方法。
-
关键词
信息融合
深度度量学习(DML)
深度置信网络(DBN)
软投票法
-
Keywords
information fusion
deep metric learning(DML)
deep belief learning(DBL)
soft voting method
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP165.3
[自动化与计算机技术—控制理论与控制工程]
-
