文献类型：期刊文章

作　　者：赵春华[1,2] 胡恒星[2] 陈保家[1,2] 张毅娜[2] 肖嘉伟[2]

ZHAO Chunhua;HU Hengxing;CHEN Baojia;ZHANG Yina;XIAO Jiawei(Hubei Key Laboratory of Hydroelectric Mechanical Equipment Design and Maintenance,Three Gorges University,Yichang 443002,China;College of Mechanics and Power,Three Gorges University,Yichang 443002,China)

机构地区：[1]三峡大学水电机械设备设计与维护湖北省重点实验室,湖北宜昌443002 [2]三峡大学机械与动力学院,湖北宜昌443002

出　　处：《振动与冲击》

基　　金：湖北省自然科学基金(2015CFB445);湖北省重点实验室开放基金(2018KJX10;2018KJX03);宜昌市自然基础科学研究与应用项目(A15-302-A02);赛尔网络下一代互联网技术创新项目(NGⅡ220150801)

年　　份：2019

卷　　号：38

期　　号：10

起止页码：31-37

语　　种：中文

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

摘　　要：针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。

关 键 词：鲸鱼优化算法(WOA)  支持向量机(SVM)  轴承故障 深度学习  

分 类 号：TH165.3]