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  |  学术不端检测
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
CDBN‑IKELM的轴承变工况故障诊断方法
Bearing Fault Diagnosis Based on CDBN‑IKELM Under Varying Conditions
  
DOI:10.16450/j.cnki.issn.1004-6801.2022.03.003
中文关键词:  故障诊断  轴承  卷积深度置信网络  核极限学习机  变工况
英文关键词:fault diagnosis  bearing  convolutional deep belief network  kernel extreme learning machine  varying conditions
基金项目:国家自然科学基金资助项目(52075170,52175092)
作者单位
向玲1 (1.华北电力大学河北省电力机械装备健康维护与失效预防重点实验室 保定071003) 
苏浩1 (1.华北电力大学河北省电力机械装备健康维护与失效预防重点实验室 保定071003) 
胡爱军1 (1.华北电力大学河北省电力机械装备健康维护与失效预防重点实验室 保定071003) 
杨鑫1,2 (1.华北电力大学河北省电力机械装备健康维护与失效预防重点实验室 保定071003)(2.青岛绿色发展研究院有限公司 青岛266109) 
徐进3 (3.鲁能集团有限公司 北京100020) 
王伟4 (4.国电南瑞南京控制系统有限公司 南京210061) 
摘要点击次数: 38
全文下载次数: 37
中文摘要:
      针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络(convolutional deep belief network,简称CDBN)与改进核极限学习机 (improved Kernel?based extreme learning machine,简称IKELM)的滚动轴承故障智能识别方法。首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群(particle swarm optimization, 简称PSO)对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。
英文摘要:
      The intelligent diagnosis method has been successfully applied in the field of mechanical equipment bearing fault recognition. Aiming at the problems of low diagnosis accuracy and insufficient manual feature extraction of existing methods, an intelligent recognition method based on convolutional deep belief network and improved kernel-based extreme learning machine (CDBN-IKELM) is proposed. Firstly, the convolutional deep belief network (CDBN) is used to extract the fault features from the original signal, and then isometric feature mapping is adopted to reduce the dimension of the extracted multi-dimensional features for removing redundant feature information. Finally, improved kernel-based extreme learning machine (IKELM) is utilized to classify rolling bearing fault under variable conditions, and particle swarm optimization (PSO) is used for optimizing the important parameters of the model. Through the identification of various bearing faults under different working conditions, it is verified that the method can effectively diagnose the bearing faults under varying conditions with high accuracy, and the effect is better than existing intelligent fault diagnosis 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2927468位访问者 本站今日一共被访问558

技术支持:北京勤云科技发展有限公司