本文關鍵詞：基于多層超限學習機的滾動軸承故障診斷方法　出處：《科學技術與工程》2017年14期 　論文類型：期刊論文

  更多相關文章： 超限學習機 故障診斷 深度學習 自動編碼器 快速學習

【摘要】：針對目前軸承故障診斷領域存在的海量數據問題及快速學習、實時監(jiān)測的診斷要求,采用一種多層超限學習機方法對滾動軸承故障數據進行診斷測試。該方法直接學習軸承故障振動時域信號,與傳統(tǒng)診斷方法相比,省去了復雜的信號處理過程,更加簡便。將多層超限學習機方法的診斷結果分別與單層超限學習機、深度神經網絡方法的診斷結果進行比較,多層超限學習機具有明顯優(yōu)勢:(1)與單層超限學習機相比,多層超限學習機具有更好地學習和特征提取能力,其診斷準確率可達到98.29%;(2)與深度神經網絡相比,多層超限學習機能夠在保證較高診斷準確率的前提下,獲得較快的訓練速度,其訓練速度較深度神經網絡提高了41倍。結果表明,所采用的方法在滾動軸承故障診斷方面具有很好的效果和應用價值。
[Abstract]:Aiming at the problems existing in the field of mass data bearing fault diagnosis and diagnosis of fast learning, real time monitoring, using a machine learning method for multi gauge diagnostic tests on rolling bearing fault data. The method of fault vibration signal of bearing direct learning, compared with the traditional method, complex signal processing process, saves more convenient the multilayer learning machine. The diagnosis results were overrun and overload of single machine learning, compare the depth of the neural network method of diagnosis results, learning machine has obvious advantages over multi: (1) compared with single gauge machine learning, machine learning has better multilayer transfinite learning and feature extraction ability, its accuracy can be reached 98.29%; (2) compared with the depth of the neural network, multilayer learning machine can guarantee the gauge accuracy of diagnosis, obtain a faster training speed The training speed is 41 times higher than that of deep neural network. The results show that the method has good effect and application value in rolling bearing fault diagnosis.

【作者單位】： 東北大學機械工程與自動化學院;
【基金】：遼寧重大裝備制造協(xié)同創(chuàng)新中心 國家自然科學基金(61573093)資助
【分類號】：TH133.33;TP181
【正文快照】： 引用格式:郝麗娜,王風立,曹瑞珉.基于多層超限學習機的滾動軸承故障診斷方法[J].科學技術與工程,2017,17(14):86—91Hao Lina,Wang Fengli,Cao Ruimin.Multi-layer extreme learning ma-chine methods based fault diagnosis of rolling bearing[J].Science Tech-nology and E

【相似文獻】

相關期刊論文 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內燃機配件;2000年03期

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應用[J];試驗技術與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調頻小波變換的滾動軸承故障研究[J];機械設計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應用[J];中國設備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

相關會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

2 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

3 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

4 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

5 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

6 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產技術會議暨煉鐵年會文集（上冊）[C];2008年

7 李興林;;滾動軸承故障診斷技術現狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

8 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

9 高耀智;;高階統(tǒng)計量與小波分析相結合在滾動軸承故障診斷中的應用[A];2009年全國青年摩擦學學術會議論文集[C];2009年

10 和衛(wèi)星;陳曉平;馬東玲;;基于混沌時間序列的滾動軸承故障局部預測[A];2009中國儀器儀表與測控技術大會論文集[C];2009年

相關博士學位論文 前10條

1 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

2 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

3 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

4 楊柳松;基于小波分析與神經網絡滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

5 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

6 趙協(xié)廣;基于小波變換和經驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

7 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

8 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

9 Ao Hung Linh（池雄嶺）;基于化學反應優(yōu)化算法和支持向量機的滾動軸承故障診斷方法研究[D];湖南大學;2014年

10 崔寶珍;自適應形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學;2013年

相關碩士學位論文 前10條

1 李男;基于LMD樣本熵和貝葉斯網絡的滾動軸承故障診斷方法[D];燕山大學;2015年

2 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

3 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

4 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

5 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學;2015年

6 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學;2015年

7 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學;2015年

8 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應用研究[D];電子科技大學;2014年

9 段永強;局部均值分解法在滾動軸承故障自動診斷中的應用研究[D];電子科技大學;2015年

10 黃宏臣;基于流形學習算法的滾動軸承故障識別研究[D];太原理工大學;2014年

，

本文編號：1417917