典型文献
基于全矢谱-深度置信网络的转子故障诊断方法研究
文献摘要：
针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技术进行融合,得到融合信号的主振矢、副振矢和振矢角.将融合后的信号输入到深度置信网络(DBN)中进行训练,利用多个受限玻尔兹曼机无监督预训练的方式层层堆叠进行前向传播,减少模型直接单向训练时的复杂度.然后利用反向传播对模型进行监督优化参数.最后,输出层采用Softmax分类器进行故障模式识别.提出的方法通过转子故障诊断验证,并与全矢谱-DNN和单通道-DBN做比较,提出的方法优于全矢谱-DNN和单通道-DBN方法,能够很好地融合多通道信息,并具有较高的识别率.
文献关键词：
深度置信网络;全矢谱;故障诊断;信息融合;自特征提取
中图分类号：
作者姓名：
李泽东;李志农;陶俊勇;许贝
作者机构：
南昌航空大学无损检测技术教育部重点实验室,南昌 330063;国防科学技术大学装备综合保障技术重点实验室,长沙 410073
文献出处：
引用格式：
[1]李泽东;李志农;陶俊勇;许贝-.基于全矢谱-深度置信网络的转子故障诊断方法研究)[J].兵器装备工程学报,2022(01):48-54
A类：
全矢谱,自特征提取
B类：
深度置信网络,转子故障,故障诊断方法,单通道,设备故障诊断,误判,专家经验,经验知识,多通道,信息融合,振动信号,信号特征,特征提取能力,识别能力,故障智能诊断,智能诊断方法,机械振动,融合信号,DBN,受限玻尔兹曼机,无监督,预训练,堆叠,接单,反向传播,优化参数,出层,Softmax,分类器,故障模式识别,DNN,识别率
AB值：
0.295064
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。
