10.13465/j.cnki.jvs.2019.10.005
基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断
针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型.先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断.该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性.为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度.
鲸鱼优化算法(WOA)、支持向量机(SVM)、轴承故障、深度学习
38
TH165+.3
湖北省自然科学基金2015CFB445;湖北省重点实验室开放基金2018KJX10,2018KJX03;宜昌市自然基础科学研究与应用项目A15-302-A02;赛尔网络下一代互联网技术创新项目NGⅡ220150801
2019-06-28(万方平台首次上网日期,不代表论文的发表时间)
共8页
31-37,48