本文關(guān)鍵詞：基于深度學(xué)習(xí)特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷

  更多相關(guān)文章： 齒輪故障 深度學(xué)習(xí) 特征提取 支持向量機 智能診斷

【摘要】：針對齒輪故障診斷問題,利用數(shù)理統(tǒng)計特征提取方法、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、粒子群算法和支持向量機等技術(shù),提出了一種基于深度學(xué)習(xí)特征提取和粒子群支持向量機狀態(tài)識別相結(jié)合的智能診斷模型。該模型利用深度學(xué)習(xí)自適應(yīng)提取的頻譜特征與數(shù)理統(tǒng)計方法提取的時域特征相結(jié)合組成聯(lián)合特征向量,然后利用粒子群支持向量機對聯(lián)合特征向量進行故障診斷。該模型在對多級齒輪傳動系統(tǒng)試驗臺的故障診斷中實現(xiàn)了中速軸大齒輪不同故障類型的可靠識別,獲得了滿意的診斷結(jié)果。應(yīng)用結(jié)果也驗證了基于深度學(xué)習(xí)自適應(yīng)提取頻譜特征的有效性。
【作者單位】： 燕山大學(xué)電氣工程學(xué)院;
【關(guān)鍵詞】： 齒輪故障 深度學(xué)習(xí) 特征提取 支持向量機 智能診斷
【基金】：國家自然科學(xué)基金資助項目(51475407) 河北省高等學(xué)校創(chuàng)新團隊領(lǐng)軍人才培育計劃資助項目(LJRC013)
【分類號】：TH132.41;TP18
【正文快照】： 0引言目前在機械故障診斷中,常用的信號處理技術(shù)有時域統(tǒng)計分析、頻域統(tǒng)計分析、傅里葉變換分析、功率譜分析、倒頻譜分析和包絡(luò)譜分析等;而對于非線性非平穩(wěn)信號,常用的信號處理技術(shù)有短時傅里葉變換、小波變換、小波包變換和經(jīng)驗?zāi)Ｊ椒纸獾萚1-2]。HINTON等[3]提出了深度學(xué)習(xí)

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 胡建忠;黃夢;尹曉利;劉振興;范成洲;;基于形態(tài)小波變換與EMD的齒輪多重故障特征提取方法[J];裝甲兵工程學(xué)院學(xué)報;2014年02期

2 ;[J];;年期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王玉靜;滾動軸承振動信號特征提取與狀態(tài)評估方法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 余發(fā)軍;機械故障稀疏特征提取及診斷方法研究[D];武漢科技大學(xué);2016年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 代士超;滾動軸承外圈故障機理建模及雙沖擊特征提取方法的研究[D];昆明理工大學(xué);2015年

2 孫美巖;基于振動信號的滾動軸承故障特征提取研究[D];東北石油大學(xué);2015年

3 康樂;基于EEMD-SVD的FCM聚類的軸承故障診斷[D];燕山大學(xué);2016年

4 李茜茜;非穩(wěn)態(tài)工況下滾動軸承故障特征提取與診斷[D];沈陽航空航天大學(xué);2016年

5 陳剛;特征優(yōu)化方法研究及其在軸承故障診斷中的應(yīng)用[D];上海交通大學(xué);2015年

6 裴愛嶺;滾動軸承故障特征提取方法研究[D];沈陽航空航天大學(xué);2015年

7 尹芳莉;強沖擊下變速箱滾動軸承故障特征提取及狀態(tài)評估研究[D];中南大學(xué);2014年

，

本文編號：1075677