文献类型：期刊文章

作　　者：杜小磊[1,2] 陈志刚[1,2] 许旭[1,2] 张楠[1]

DU Xiao-lei;CHEN Zhi-gang;XU Xu;ZHANG Nan(School of Mechanical-Electronic and Vehicle Engineering, Beijing University of Civil Engineering and Architecture, Beijing 100044, China;Beijing Engineering Research Center of Monitoring for Construction Safety, Beijing 100044, China)

机构地区：[1]北京建筑大学机电与车辆工程学院,北京100044 [2]北京市建筑安全监测工程技术研究中心,北京100044

出　　处：《机电工程》

基　　金：国家自然科学基金资助项目(51605022);北京市教育委员会科技计划一般项目(SQKM201710016014);北京市优秀人才培养资助项目(2013D005017000013);北京市属高校基本科研业务费专项资金(X18217)

年　　份：2019

卷　　号：36

期　　号：7

起止页码：663-668

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。

关 键 词：滚动轴承 故障诊断 小波卷积自编码器  长短时记忆网络  深度学习  

分 类 号：TH17] TH133.3