论文摘要
针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。
论文目录
文章来源
类型: 期刊论文
作者: 曹现刚,张鑫媛,吴少杰,姜韦光,雷一楠
关键词: 深度置信网络,神经网络,监督学习,小波分析,多阈值,故障识别,轴承
来源: 机床与液压 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 机械工业
单位: 西安科技大学机械工程学院
基金: 国家自然科学基金资助项目(51875451)
分类号: TH133.3
页码: 174-179
总页数: 6
文件大小: 1905K
下载量: 191