文献类型：期刊文章

作　　者：袁宪锋[1] 颜子琛[1] 周风余[2] 宋勇[1] 缪昭明[1]

YUAN Xianfeng;YAN Zichen;ZHOU Fengyu;SONG Yong;MIAO Zhaoming(School of Mechanical,Electrical&Information Engineering,Shandong University Weihai,264209,China;School of Control Science and Control Engineering,Shandong University Jinan,250061,China)

机构地区：[1]山东大学机电与信息工程学院,威海264209 [2]山东大学控制科学与工程学院,济南250061

出　　处：《振动．测试与诊断》

基　　金：国家重点研发计划资助项目(2017YFB1302400);国家自然科学基金资助项目(61803227,61973184,61773242);山东大学自主创新基金青年培养资助项目(2018ZQXM005)。

年　　份：2020

卷　　号：40

期　　号：2

起止页码：405-413

语　　种：中文

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

摘　　要：针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。

关 键 词：滚动轴承故障诊断 栈式稀疏自编码网络  特征提取 灰狼算法  支持向量机

分 类 号：TP206.3] TP202.1]