基于全矢谱-深度置信网络的转子故障诊断方法研究
针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技术进行融合,得到融合信号的主振矢、副振矢和振矢角.将融合后的信号输入到深度置信网络(DBN)中进行训练,利用多个受限玻尔兹曼机无监督预训练的方式层层堆叠进行前向传播,减少模型直接单向训练时的复杂度.然后利用反向传播对模型进行监督优化参数.最后,输出层采用Softmax分类器进行故障模式识别.提出的方法通过转子故障诊断验证,并与全矢谱-DNN和单通道-DBN做比较,提出的方法优于全矢谱-DNN和单通道-DBN方法,能够很好地融合多通道信息,并具有较高的识别率.
深度置信网络、全矢谱、故障诊断、信息融合、自特征提取
43
TH17;TG115.27;TG111.92
国家自然科学基金;装备预研基金项目;南昌航空大学研究生创新专项资金项目
2022-04-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
48-54