文献类型：期刊文章

作　　者：王奉涛[1] 邓刚[1] 王洪涛[1] 于晓光[2] 韩清凯[1] 李宏坤[1]

WANG Feng-tao;DENG Gang;WANG Hong-tao;YU Xiao-guang;HAN Qing-kai;LI Hong-kun(School of Mechanical Engineering, Dalian University of Technology, Dalian 116024, China;School of Mechanical Engineering and Automation, University of Science and Technology Liaoning,Anshan 114051, China)

机构地区：[1]大连理工大学机械工程学院,辽宁大连116024 [2]辽宁科技大学机械工程与自动化学院,辽宁鞍山114051

出　　处：《振动工程学报》

基　　金：国家自然科学基金资助项目(51375067;51775257)

年　　份：2019

卷　　号：32

期　　号：2

起止页码：368-376

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：深度学习以其强大的特征提取能力展现了它在故障诊断领域的绝对优势。为此,提出了一种基于EMD和SSAE的滚动轴承故障诊断方法。首先采用EMD方法分析滚动轴承振动信号,并用得到的IMF构造Hankel矩阵,获得能反映信号特征的奇异值;其次将奇异值划分为训练集与测试集样本,建立基于SSAE方法的故障诊断模型;最后训练与测试搭建的深度神经网络,得到诊断准确率。所提方法不需要大量的故障诊断先验知识,无需对信号去噪处理,简化了滚动轴承故障诊断的特征提取过程,具有较高的故障诊断准确率。

关 键 词：故障诊断 滚动轴承 经验模态分解 自动编码器  奇异值分解

分 类 号：TH165] TH133.3