典型文献
基于STL-1 DDCAE的轴承故障诊断研究
文献摘要：
由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法.首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间.研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理.
文献关键词：
机械运行与维修;故障诊断;异常信号检测;重构误差;时间序列分解;一维深度卷积自编码网络
中图分类号：
作者姓名：
王雷;孙习习
作者机构：
中国民航大学 工程技术训练中心,天津300300;中国民航大学 电子信息与自动化学院,天津300300
文献出处：
引用格式：
[1]王雷;孙习习-.基于STL-1 DDCAE的轴承故障诊断研究)[J].机电工程,2022(05):578-586,661
A类：
DDCAE,一维深度卷积自编码网络,1DDCAE,机械运行与维修,异常信号检测
B类：
STL,轴承故障诊断,诊断研究,数据标签,标签信息,建模分析,辛辛那提大学,IMS,集为,时序分解,无监督,故障诊断方法,运行数据,非线性特征,重构误差,概率分布,误差信号,正太,分布参数,时间序列分解,趋势项,量确定,发生时间,分提,故障特征,异常状态,误判率,准确识别,时间戳,异常检测,检测时间,轴承数据,健康状态,内圈,外圈,滚动体,标签化
AB值：
0.27559
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
