首页|期刊简介|投稿指南|分类索引|刊文选读|订阅指南|证明资料|样刊邮寄查询|常见问题解答|联系我们
陶沙沙,郭顺生. 基于深度小波自动编码器和极限学习机的轴承故障诊断[J]. 科学技术与工程, 2020, 20(29): 12196-12203.
陶沙沙.Fault Diagnosis of Bearing Based on Deep WAE and Extreme Learning Machine[J].Science Technology and Engineering,2020,20(29):12196-12203.
基于深度小波自动编码器和极限学习机的轴承故障诊断
Fault Diagnosis of Bearing Based on Deep WAE and Extreme Learning Machine
投稿时间:2019-11-21  修订日期:2020-06-30
DOI:
中文关键词:  智能故障诊断  滚动轴承  深度小波自动编码器  极限学习机  无监督特征学习
英文关键词:intelligent fault diagnosis rolling bearing deep wavelet automatic encoder extreme learning machine unsupervised feature learning
基金项目:国家自然科学基金项目(No.51705386,No.51705385)
     
作者单位
陶沙沙 成都工业职业技术学院
武汉理工大学
郭顺生 武汉理工大学
摘要点击次数: 62
全文下载次数: 43
中文摘要:
      针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。用该方法对实验所得的轴承振动信号进行对比分析,结果验证了该方法能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。
英文摘要:
      Aiming at unsupervised feature learning of original vibration data, an intelligent fault diagnosis method for rolling bearings is proposed, which combines deep wavelet automatic encoder with robust extreme learning machine. Firstly, the wavelet function is used as a non-linear activation function to design an automatic wavelet encoder to capture the signal features effectively. Secondly, a deep wavelet auto-encoder is constructed by using multiple wavelet auto-encoders to enhance unsupervised feature learning ability. Finally, robust limit learning machine is used as classifier to classify and identify different bearing faults. The experimental results show that the proposed method is superior to the traditional method and the standard deep learning method under the condition of unsupervised feature learning of the original vibration data.
查看全文  查看/发表评论  下载PDF阅读器
关闭
你是第33871766位访问者
版权所有:科学技术与工程编辑部
主管:中国科学技术协会    主办:中国技术经济学会
Tel:(010)62118920 E-mail:stae@vip.163.com
京ICP备05035734号-4
技术支持:本系统由北京勤云科技发展有限公司设计

京公网安备 11010802029091号