文献类型：期刊文章

作　　者：俞啸[1,2,3] 范春旸[1,2] 董飞[1,2] 丁恩杰[1,2] 吴守鹏[1,2] 王昕[1,2,4]

YU Xiao;Fan Chunyang;Dong Fei;Ding Enjie;Wu Shoupeng;Wang Xin(IOT Perception Mine Research Center,China University of Mining and Technology,Xuzhou 221008,China;School of Information and Control Engineering,China University of Mining and Technology,Xuzhou 221008,China;School of Medicine Information,Xuzhou Medical University,Xuzhou 221009,China;School of Information Media and Art,Jiangsu Vocational Institute of Architectural Technology,Xuzhou 221008,China)

机构地区：[1]中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008 [2]中国矿业大学信息与控制工程学院,江苏徐州221008 [3]徐州医科大学医学信息学院,江苏徐州221009 [4]江苏建筑职业技术学院信息传媒与艺术学院,江苏徐州221008

出　　处：《机械传动》

基　　金：国家重点研发计划:"矿山安全生产物联网关键技术与装备研发"(2017YFC0804400;2017YFC0804401);国家重点基础研究发展计划(973):"深部危险煤层无人采掘装备关键基础研究"(2014CB046300)

年　　份：2018

卷　　号：42

期　　号：6

起止页码：157-163

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2017_2018、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。

关 键 词：经验模态分解 极限学习机 深度信念网络  滚动轴承 故障诊断

分 类 号：TH133.33]