基于自动编码器和SVM的轴承故障诊断方法

摘要：

支持向量机(support vector machine,SVM)应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络(deep neural network,DNN)的应用与推广,自动编码器(auto-encoder,AE)在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器(denoising autoencoder,DAE),进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解(empirical mode decomposition,EMD)能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100％.

关键词：支持向量机、自动编码器、无监督特征提取、经验模态分解、信息熵、故障诊断

所属期刊栏目：39

分类号：TH133.33

资助基金：国家自然科学基金资助项目51405453;河南省高等学校精密制造技术与工程重点学科开放实验室开放基金资助项目PMTE201301A

在线出版日期：2018-11-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：68-72