文献类型：期刊文章

作　　者：温江涛[1] 闫常弘[1] 孙洁娣[2] 乔艳雷[2]

Wen Jiangtao;Yan Changhong;Sun Jiedi;Qiao Yanlei(Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Yanshan University, Qinhuangdao 066004, China;School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China)

机构地区：[1]燕山大学河北省测试计量技术及仪器重点实验室,秦皇岛066004 [2]燕山大学信息科学与工程学院,秦皇岛066004

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51204145);河北省自然科学基金(E2016203223,E2013203300)项目资助

年　　份：2018

卷　　号：39

期　　号：1

起止页码：171-179

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：机械健康监测正进入大数据时代,针对传统轴承故障检测存在的采样数据量大、故障特征依赖主观选取等问题,研究了轴承故障信号变换域的压缩采集、自动特征提取及诊断方法。基于压缩感知和深度学习理论,研究用随机高斯矩阵实现轴承信号的变换域压缩采集,并将此信号输入深度神经网络实现故障的智能诊断。该方法克服了传统针对时域信号的特征提取计算复杂、受先验知识和主观经验影响较大等问题,直接利用含有大量故障信息的压缩感知域采集信号训练深度神经网络,充分利用深度学习挖掘少量压缩采集数据中隐藏的故障信息,从而实现智能、准确的分类。实验结果表明,该方法实现了对不同故障位置和缺损程度的故障特征自动提取与准确故障诊断。

关 键 词：轴承故障诊断 压缩感知域采集  深度学习  稀疏自编码  

分 类 号：TH17]