基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

发布时间：2017-10-21 23:15

  本文关键词：基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

  更多相关文章： 齿轮故障 深度学习 特征提取 支持向量机 智能诊断

【摘要】：针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。
【作者单位】： 燕山大学电气工程学院;
【关键词】： 齿轮故障 深度学习 特征提取 支持向量机 智能诊断
【基金】：国家自然科学基金资助项目(51475407) 河北省高等学校创新团队领军人才培育计划资助项目(LJRC013)
【分类号】：TH132.41;TP18
【正文快照】： 0引言目前在机械故障诊断中,常用的信号处理技术有时域统计分析、频域统计分析、傅里叶变换分析、功率谱分析、倒频谱分析和包络谱分析等;而对于非线性非平稳信号,常用的信号处理技术有短时傅里叶变换、小波变换、小波包变换和经验模式分解等[1-2]。HINTON等[3]提出了深度学习

【相似文献】

中国期刊全文数据库 前2条

1 胡建忠;黄梦;尹晓利;刘振兴;范成洲;;基于形态小波变换与EMD的齿轮多重故障特征提取方法[J];装甲兵工程学院学报;2014年02期

2 ;[J];;年期

中国博士学位论文全文数据库 前2条

1 王玉静;滚动轴承振动信号特征提取与状态评估方法研究[D];哈尔滨工业大学;2015年

2 余发军;机械故障稀疏特征提取及诊断方法研究[D];武汉科技大学;2016年

中国硕士学位论文全文数据库 前7条

1 代士超;滚动轴承外圈故障机理建模及双冲击特征提取方法的研究[D];昆明理工大学;2015年

2 孙美岩;基于振动信号的滚动轴承故障特征提取研究[D];东北石油大学;2015年

3 康乐;基于EEMD-SVD的FCM聚类的轴承故障诊断[D];燕山大学;2016年

4 李茜茜;非稳态工况下滚动轴承故障特征提取与诊断[D];沈阳航空航天大学;2016年

5 陈刚;特征优化方法研究及其在轴承故障诊断中的应用[D];上海交通大学;2015年

6 裴爱岭;滚动轴承故障特征提取方法研究[D];沈阳航空航天大学;2015年

7 尹芳莉;强冲击下变速箱滚动轴承故障特征提取及状态评估研究[D];中南大学;2014年

，

本文编号：1075677