首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业和信息化部
  • 主办:南京航空航天大学
  •           全国高校机械工程测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
深度学习融合模型在机械故障诊断中的应用
Improved Deep Learning Fusion Model in Fault Diagnosis
  
DOI:10.16450/j.cnki.issn.1004-6801.2019.06.019
中文关键词:  故障诊断  深度信念网络  降噪自编码器  自适应学习率  鲁棒性  支持向量机
英文关键词:fault diagnosis  deep belief network  denoising autoencoder  adaptive learning rate  robustness  support vector machine
基金项目:装备状态监控与维修总装重点实验室基金资助项目(ECMM2016007)
作者单位
王应晨1,段修生2 (1. 陆军工程大学电子与光学工程系 石家庄050003)(2. 石家庄铁道大学机械工程学院 石家庄050003) 
摘要点击次数: 160
全文下载次数: 178
中文摘要:
      为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。
英文摘要:
      In light of the problems caused by complex equipment structure, working environment noise, and big data, a deep learning fusion model is proposed to achieve efficient and accurate fault diagnosis. First, the denoising autoencoder is used to process the random noise of the original signal and learn the low-level features. Then, the deep belief network is used to learn the deep features based on the learned low-level features. Finally, the fused depth features are fed into the PSO-SVM to train the intelligent diagnosis model. The proposed method is applied to the fault diagnosis of rolling bearings, The results show that the method proposed is more efficient and robust than the existing methods.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2174817位访问者 本站今日一共被访问271

技术支持:北京勤云科技发展有限公司