文献类型：期刊文章

作　　者：李巍华[1,2] 单外平[1] 曾雪琼[1]

机构地区：[1]华南理工大学机械与汽车工程学院,广东广州510640 [2]机械制造系统工程国家重点实验室,陕西西安710054

出　　处：《振动工程学报》

基　　金：国家自然科学基金资助项目(51475170;51475169);机械制造系统国家重点实验室开放基金资助项目(sklms2014008);中央高校基本科研业务费专项资金资助

年　　份：2016

卷　　号：29

期　　号：2

起止页码：340-347

语　　种：中文

收录情况：AJ、AMR、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20162102422495)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：特征提取是故障智能诊断的关键步骤,然而不同的特征提取方法所得到的特征不同,导致诊断结果也可能有所差异,增加了人工特征选择的难度和不确定性。深度信念网络(Deep Belief Network,DBN)是一种典型的深度学习(Deep Learning)方法,可以通过组合低层特征形成更加抽象的高层表示,发现数据的分布式特征。DBN可直接从低层原始信号出发,通过逐层智能学习得到更好的特征表示,避免特征提取与选择的人工操作,增强识别过程的智能性。将DBN直接应用于轴承振动原始信号的处理,实现轴承故障的分类识别。试验结果表明,DBN可以直接通过原始数据对轴承故障进行分类识别,优先调节时间复杂度偏导数较大的参数,可有效控制DBN的计算成本。

关 键 词：故障诊断 特征提取 受限玻尔兹曼机  DBN 故障分类  

分 类 号：TH165.3] TP206.3]