文献类型：期刊文章

作　　者：赵光权[1] 姜泽东[1] 胡聪[2] 高永成[1] 牛广行[3]

Zhao Guangquan;Jiang Zedong;Hu Cong;Gao Yongcheng;Niu Guangxing(Automatic Test and Control Institute,Harbin Institute of Technology,Harbin 150080,China;Guangxi KeyLaboratory of Automatic Detection Technology and Instruments,Guilin University of Electronic Technology,Guilin 541004,China;Department of Electrical Engineering,University of South Carolina,Columbia 29208,USA)

机构地区：[1]哈尔滨工业大学自动化测试与控制研究所,哈尔滨150080 [2]桂林电子科技大学广西自动检测技术与仪器重点实验室,桂林541004 [3]南卡罗来纳大学电气工程系,哥伦比亚29208

出　　处：《电子测量与仪器学报》

基　　金：广西自动检测技术与仪器重点实验室(YQ17202)资助项目

年　　份：2019

卷　　号：31

期　　号：2

起止页码：32-38

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。

关 键 词：轴承故障诊断 小波包能量熵  特征提取 深度置信网络  

分 类 号：TH133.3]