SST和深度脊波网络在轴承故障诊断中的应用
杜小磊1
陈志刚1
张楠2
许旭1
1.北京建筑大学 机电与车辆工程学院,北京 100044;北京市建筑安全监测工程技术研究中心,北京 1000442.北京建筑大学 机电与车辆工程学院,北京,100044
摘要：传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取与选取困难.为此,提出一种基于同步压缩小波变换(synchrosqueezed wavelet transform,SST)和深度脊波网络(deep ridgelet network,DRN)的滚动轴承故障诊断方法.首先,对轴承振动信号进行SST变换,得到信号时频图像;其次,将时频图像进行双向二维主成分分析压缩,然后将其作为DRN的输入,进行自动特征提取和故障识别.试验结果表明,该方法能够对滚动轴承进行多工况和多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法,以及深度信念网络、深度稀疏自编码器等深度学习模型.
关键词：滚动轴承故障诊断同步压缩小波变换深度脊波网络
分类号：TH17(机械运行与维修)TH133.3(机械零件及传动装置)
资助基金：国家自然科学基金(51605022)北京市教委科技项目(SQKM201710016014)北京市优秀人才培养资助项目(2013D005017000013)中央高校基本科研业务费专项(X18217)
论文发表日期：2020-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 75-82 )
英文信息