文献类型：期刊文章

作　　者：郭秀才[1] 吴妮[1] 曹鑫[2]

GUO Xiucai;WU Ni;CAO Xin(College of Electrical and Control Engineering, Xi'an University of Science and Technology,Xi'an 710054, China;Gansu Jingyuan Coal Industry Group Co., Ltd., Baiyin, 730913, China)

机构地区：[1]西安科技大学电气与控制工程学院,陕西西安710054 [2]甘肃靖远煤业集团有限责任公司,甘肃白银730913

出　　处：《工矿自动化》

基　　金：2020年甘肃省省级重点人才项目(甘组通字〔2020〕9号)。

年　　份：2021

卷　　号：47

期　　号：10

起止页码：14-20

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、EBSCO、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：针对现有矿用通风机滚动轴承故障诊断方法仅提取时频分量特征和采用浅层网络结构,导致故障诊断精度不高的问题,提出了一种基于多域特征融合与深度置信网络(DBN)的矿用通风机滚动轴承故障诊断方法。该方法首先对轴承振动信号进行小波包降噪处理,对降噪后的轴承振动信号进行时域特征、频域特征、IMF能量特征提取,得到相对全面的高维特征集;然后通过基于类内、类间标准差的特征筛选方法剔除对分类无效及效果不明显的特征,筛选出高效特征;最后采用核主成分分析(KPCA)对高维筛选特征进行降维融合,消除特征间冗余,将融合特征输入至DBN中完成故障诊断。实验结果表明,相比于基于特征单一和浅层网络的诊断方法,基于多域特征融合与DBN的矿用通风机滚动轴承故障诊断方法平均准确率最高,平均诊断时间最少,对于不同损伤故障数据表现出良好的稳定性和泛化能力。

关 键 词：矿用通风机 滚动轴承故障诊断 多域特征融合  深度学习  特征敏感度  深度置信网络  DBN

分 类 号：TD712]