文献类型：期刊文章

作　　者：冯玉伯[1,2] 丁承君[1] 陈雪[1]

Feng Yubo;Ding Chengjun;Chen Xue(School of Mechanical Engineering,Hebei University of Technology,Tianjin 300130,China;Tianjin Communication&Broadcasting Group Co.,Ltd.,Tianjin 300140,China)

机构地区：[1]河北工业大学机械工程学院,天津300130 [2]天津通信广播集团有限公司,天津300140

出　　处：《机械科学与技术》

基　　金：天津市科技支撑计划项目(15ZXHLGX00210);天津市科技支撑计划项目(14ZCDZGX00811);天津市科技支撑计划项目(13ZCZDGX01200);天津市产学研合作项目(14ZCZDSF00025);天津市863成果转化项目(13RCHZGX01116);天津市863成果转化项目(14RCHZGX00862)资助

年　　份：2018

卷　　号：37

期　　号：10

起止页码：1566-1572

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对机械设备故障诊断大多采用有监督学习提取故障特征,而有标签数据难以获取的现状,提出一种在稀疏自动编码器中嵌入卷积网络的深度神经网络。利用希尔伯特和傅里叶变换实现机械设备振动时间序列向Hilbert包络谱的转换,通过卷积网络中多组卷积核自动学习谱空间数据的不同特征,保证了特征提取的自动化、全面性和多样性,稀疏自动编码器搜索具有正交性数据特征的低维表示,并使得编码后的数据具有很强的聚类特性,实现设备的自动故障诊断。通过对滚动轴承振动信号进行分析实验,证明该方法在设备故障诊断中具有去标签化、自动化、鲁棒性等特点。

关 键 词：稀疏自动编码器  神经网络 时间序列 故障诊断 机械设备

分 类 号：TH165.3] TP206.3]