文献类型：期刊文章

作　　者：张绍辉[1] 罗洁思[1]

ZHANG Shaohui;LUO Jiesi(School of Mechanical&Automotive Engineering,Xiamen University of Technology,Xiamen 361024,China)

机构地区：[1]厦门理工学院机械与汽车工程学院,福建厦门361024

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51605406;51605405;51475170);厦门理工学院科研启动项目(YKJ14042R);广东高校青年创新人才项目(2014KQNCX176)

年　　份：2018

卷　　号：37

期　　号：4

起止页码：249-256

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：直接将时域或者频域作为低层输入信息构建深度学习故障诊断模型,可以有效的削弱人为因素的干扰,进一步提高人工智能在故障诊断领域的发展。然而,低层输入的时域信号长度难以划定,而频域信号的数据长度较大,导致模型的计算效率降低。针对该问题,提出预先对低层频域信号提取包络线,得到表征频域变化态势的信息成分,接着再与稀疏自编码结合构建稀疏自编码的故障诊断模型。齿轮箱故障诊断实验证明,与原始频域输入相比,所提方法能够在保证诊断效果的同时,降低计算复杂度和所需要的存储空间。

关 键 词：深度学习  稀疏自编码  齿轮箱 故障诊断

分 类 号：TH212] TH213.3