基于自动编码器和SVM的轴承故障诊断方法 |
| |
引用本文: | 雷文平,吴小龙,陈超宇,林辉翼.基于自动编码器和SVM的轴承故障诊断方法[J].郑州大学学报(工学版),2018(5). |
| |
作者姓名: | 雷文平 吴小龙 陈超宇 林辉翼 |
| |
作者单位: | 郑州大学机械工程学院振动工程研究所 |
| |
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%.
|
本文献已被 CNKI 等数据库收录! |
|