文献类型：期刊文章

作　　者：王玉静[1] 那晓栋[1] 康守强[1] 谢金宝[1] V I MIKULOVICH[2]

机构地区：[1]哈尔滨理工大学电气与电子工程学院,黑龙江省哈尔滨市150080 [2]白俄罗斯国立大学,白俄罗斯明斯克220030

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51305109);黑龙江省青年科学基金项目(QC2014C075);哈尔滨理工大学青年拔尖创新人才资助项目(201511)~~

年　　份：2017

卷　　号：37

期　　号：23

起止页码：6943-6950

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：负载在滚动轴承的运行过程中通常是变化的,针对变负载下滚动轴承不同故障位置及不同性能退化程度多状态识别困难的问题,提出一种基于集合经验模态分解–希尔伯特(ensemble empirical mode decomposition-Hilbert,EEMD-Hilbert)包络谱和深度信念网络(deep belief network,DBN)的滚动轴承状态识别方法。该方法首先对滚动轴承各状态振动信号进行EEMD,然后选取敏感本征模态函数(intrinsic mode function,IMF),并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据,输入到经遗传算法优化各隐藏层节点结构的DBN中,实现变负载下滚动轴承的多状态识别。实验结果表明:在运用DBN进行滚动轴承10种状态识别过程中,训练数据采用某种负载,测试数据选用其他负载的情况下,EEMD-Hilbert包络谱比时域或频域幅值谱能更好地体现出滚动轴承不同负载下的多状态特征;且DBN相对浅层学习的支持向量机和BP神经网络算法,具有更高的识别率,各数据集识别率均达到92.5%以上。

关 键 词：变负载  滚动轴承 集合经验模态分解  深度信念网络  状态识别  

分 类 号：TH113] TH165