论文摘要
针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。
论文目录
文章来源
类型: 期刊论文
作者: 杜小磊,陈志刚,张楠,许旭
关键词: 滚动轴承,同步挤压变换,深度学习,曲线波,故障诊断
来源: 组合机床与自动化加工技术 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 北京建筑大学机电与车辆工程学院,北京市建筑安全监测工程技术研究中心
基金: 国家自然科学基金(51605022),北京市属高校基本科研业务费专项资金资助(X18217),北京市教育委员会科技计划一般项目(SQKM201710016014),北京市优秀人才培养资助项目(2013D005017000013)
分类号: TH133.3;TP183
DOI: 10.13462/j.cnki.mmtamt.2019.05.022
页码: 90-93+97
总页数: 5
文件大小: 1285K
下载量: 297