基于细菌觅食决策和深度置信网络的滚动轴承故障诊断

在利用深度置信网络进行滚动轴承故障诊断时,网络结构的设置不仅影响诊断的结果,还影响计算效率。为提高滚动轴承故障诊断的准确率,提出基于细菌觅食决策和深度置信网络的滚动轴承故障诊断方法。该方法利用采集的样本数据对深度置信网络进行训练,以构造细菌觅食决策算法的适应度函数,通过计算各个细菌的适应度来衡量模型的优劣。由于细菌觅食决策算法具有并行搜索能力,能有效选取深度置信网络各隐节点数、学习率、动量等参数,生成合适的分类器提高滚动轴承故障诊断的准确率。实验中,与SVM(Support Vector Machines)、BPNN(Back Propagation Neural Network)、KNN(k-Nearest Neighbor)等方法做比较,所提方法对滚动轴承故障诊断的准确率达到97.83%,能更加高效、准确的识别滚动轴承故障。