典型文献
一种基于深度融合模型的滚动轴承故障诊断方法
文献摘要：
针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法.该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果.在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度.使用凯斯西储大学(CW-RU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别.
文献关键词：
故障识别;融合模型;卷积降噪自编码器;深度信念网络
中图分类号：
作者姓名：
刘伟;单雪垠;李双喜;王旭;姚思雨
作者机构：
北京化工大学机电工程学院,北京 100029;石河子大学机械电气工程学院,石河子 832003
文献出处：
引用格式：
[1]刘伟;单雪垠;李双喜;王旭;姚思雨-.一种基于深度融合模型的滚动轴承故障诊断方法)[J].北京化工大学学报（自然科学版）,2022(02):82-89
A类：
CDAE
B类：
融合模型,滚动轴承故障诊断,故障诊断方法,噪声环境,融合网络,故障识别,轴承振动,振动信号,卷积降噪自编码器,convolutional,denoising,autoencoder,低信号,噪声干扰,深度信念网络,deep,belief,network,DBN,深层特征,立轴,状态识别,识别模型,第一层,抗干扰能力,识别精度,凯斯,CW,RU,轴承数据,故障状态
AB值：
0.316803
相似文献
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。
