基于DCNN-SVM的滚动轴承故障诊断方法研究

论文摘要

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。

论文目录

文章来源

类型: 期刊论文

作者: 张立智,徐卫晓,井陆阳,谭继文

关键词: 滚动轴承,故障诊断,深度卷积模型,支持向量机

来源: 组合机床与自动化加工技术 2019年07期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 青岛理工大学机械与汽车工程学院

基金: 国家自然科学基金项目(51475249),山东省重点研发计划项目(2018GGX103016),山东省高等学校科技计划项目(J15LB10)

分类号: TH133.33

DOI: 10.13462/j.cnki.mmtamt.2019.07.017

页码: 69-71+75

总页数: 4

文件大小: 997K

下载量: 265

相关论文文献

标签：滚动轴承论文;  故障诊断论文;  深度卷积模型论文;  支持向量机论文;