典型文献
基于SSAE-SVM的滚动轴承故障诊断方法研究
文献摘要：
针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降法反向微调,基于无监督式深层学习输出深层特征向量.利用构造简单、泛化性能好、分类速度较快的支持向量机(SVM)分类器,基于深层特征向量进行故障识别,实现滚动轴承故障类型的准确分类.利用美国凯斯西储大学滚动轴承数据集进行对比验证.验证结果显示,相较于对比模型,SSAE-SVM滚动轴承故障诊断模型具有更高的准确率和更快的收敛速度.应用无监督学习建立轴承故障诊断模型将成为轴承故障诊断的重要发展方向之一.
文献关键词：
滚动轴承;故障诊断;智能诊断;特征提取;堆栈稀疏自编码;支持向量机;故障分类器;无监督学习;贪婪算法
中图分类号：
作者姓名：
徐先峰;黄坤;邹浩泉;赵龙龙
作者机构：
长安大学电子与控制工程学院,陕西 西安 710064
文献出处：
引用格式：
[1]徐先峰;黄坤;邹浩泉;赵龙龙-.基于SSAE-SVM的滚动轴承故障诊断方法研究)[J].自动化仪表,2022(01):9-14
A类：
B类：
SSAE,故障诊断方法,有监督学习算法,堆栈稀疏自编码,频域,深层特征,特征学习能力,故障特征,快速傅里叶变换,批归一化处理,贪婪算法,逐层,梯度下降法,微调,深层学习,学习输出,特征向量,泛化性能,故障识别,故障类型,凯斯,轴承数据,对比验证,对比模型,滚动轴承故障诊断模型,收敛速度,无监督学习,立轴,智能诊断,故障分类器
AB值：
0.214556
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。
